DistillDrive：基于等构异构源规划模型的端到端多模式自主驾驶蒸馏
机器人学
2025-08-08 v1 计算机视觉与模式识别
摘要
端到端自主驾驶最近取得了快速发展，对行业和学术界都产生了深远影响。然而，现有工作过度关注以自车状态为唯一学习目标，缺乏规划导向的理解，限制了整体决策过程的鲁棒性。在本工作中，我们引入 DistillDrive，一个基于端到端知识蒸馏的自主驾驶模型，利用多样化实例模仿来增强多模式运动特征学习。具体而言，我们采用基于结构化场景表示的规划模型作为教师模型，利用其多样化规划实例作为多目标学习目标训练端到端模型。此外，我们融合强化学习来增强状态到决策映射的优化，同时利用生成模型构建规划导向的实例，促进潜在空间中的复杂相互作用。我们在 nuScenes 和 NAVSIM 数据集上验证了我们的模型，较基线模型实现了 50% 碰撞率降低和 3 分钟的闭环性能提升。代码和模型已公开，链接为 https://github.com/YuruiAI/DistillDrive。
引用
@article{arxiv.2508.05402,
title = {DistillDrive: End-to-End Multi-Mode Autonomous Driving Distillation by Isomorphic Hetero-Source Planning Model},
author = {Rui Yu and Xianghang Zhang and Runkai Zhao and Huaicheng Yan and Meng Wang},
journal= {arXiv preprint arXiv:2508.05402},
year = {2025}
}