Alpamayo 1 推理延迟分析与优化：基于高效轨迹生成
人工智能
2026-05-12 v1
摘要
基于推理的端到端（E2E）自动驾驶方法最近涌现出来，旨在提高驾驶决策的可解释性，因为它能够生成人类可读的推理并伴随预测轨迹。此类方法通常生成多个轨迹以捕捉多样化的未来行为，分为两类：（1）多推理，即为每个轨迹生成一个推理序列；（2）单推理，即在所有轨迹之间共享单个推理。前者在计算冗余方面提供更丰富的多样性，而后者更高效，但往往被假设为牺牲多样性。Alpamayo 1 是一种代表性系统，采用多推理方法并实现了具竞争力的轨迹预测性能。然而，这种设计的效率在很大程度上未被探索，这是一个充分动机的研究主题。本文以两种方式系统性地分析并改进 Alpamayo 1。首先，通过重新设计 Alpamayo 1 为单推理系统，在保持轨迹多样性的同时降低推理延迟。通过大量实验，我们发现用单推理取代多推理不会在可接受范围内影响轨迹多样性。其次，通过消除源于不必要复制操作和低效内核执行的跨块开销来加速基于扩散的动作生成。通过闭环和开放环实验，我们验证了这两种优化，展示了在保持轨迹多样性和预测质量的同时实现了 69.23% 的推理延迟降低。这些结果突显了在提高基于推理的 E2E AD 系统效率方面，同时分析系统架构和运行时执行的重要性。
引用
@article{arxiv.2605.08975,
title = {Latency Analysis and Optimization of Alpamayo 1 via Efficient Trajectory Generation},
author = {Yunseong Jeon and Namcheol Lee and Yoonsu Lee and Jangwoon Park and Sol Ahn and Jong-Chan Kim and Seongsoo Hong},
journal= {arXiv preprint arXiv:2605.08975},
year = {2026}
}
备注
Submitted to IEEE RTCSA on March 26, 2026 (KST) Accepted on May 4, 2026 (KST)