HEAT: 基于轨迹引导的异构端到端自动驾驶
机器人学
2026-05-20 v1 计算机视觉与模式识别
摘要
端到端自动驾驶已成为传统模块化管道的有力替代方案，通过直接将原始传感器数据映射到驾驶动作。虽然近期方法在单一数据集上取得强烈表现，但在跨多个异构数据集联合训练时性能会显著下降。实际情况下，自动化系统必须在没有领域特定 retraining 的情况下，跨越多样化环境运行，包括不同城市、传感器配置和交通模式。这一差距凸显了多域学习中的一个关键挑战：跨异构域的领域特定变异引入冲突的学习信号，导致模型趋向于在各域上均次优的妥协解。为此，我们提出基于轨迹驱动的学习范式，围绕规划轨迹组织训练，使模型能够捕获驾驶意图的领域不变表示。进一步，我们引入世界模型，预测基于ego动作的未来潜在特征，提高特征一致性，缓解由域引起的偏差。我们在三个基准数据集上进行评估：nuScenes、NAVSIM和Waymo端到端数据集，结果在所有域上均显著优于现有方法。我们的结果表明，一个统一的模型可在异构数据集上训练，同时在每个域内保持强性能，为可扩展的实际部署迈出了一步。我们将公开代码。
引用
@article{arxiv.2605.19631,
title = {HEAT: Heterogeneous End-to-End Autonomous Driving via Trajectory-Guided World Models},
author = {Hoonhee Cho and Giwon Lee and Jae-Young Kang and Hyemin Yang and Heejun Park and Kuk-Jin Yoon},
journal= {arXiv preprint arXiv:2605.19631},
year = {2026}
}