LEAD：最小化学习者-专家不对称的端到端驾驶方法
计算机视觉与模式识别
2026-04-14 v2 人工智能
机器学习
机器人学
摘要
模拟器可以生成几乎无限的驾驶数据，但仿真中的模仿学习策略仍难以实现稳健的闭环性能。受此差距驱动，本文经验性地研究了专家演示与传感器基于学生观察之间错位如何限制模仿学习的效果。具体而言，专家具有显著更高的可见性（例如忽略遮挡）和远低得多的不确定性（例如知道其他车辆的行动），这使得它们难以被可靠地模仿。此外，Navigational intent（即要遵循的路线）在学生模型的测试时间仅通过单个目标点来指定。我们展示了这些不对称性在 CARLA 中可测量地限制驾驶性能，并提供实用的干预措施来解决这些问题。经过精心的修改缩小专家与学生之间的差距后，我们的 TransFuser v6 (TFv6) 学生策略在所有主要公开可用的 CARLA 闭环基准测试中实现了新的领先水平，Bench2Drive 上达到 95 DS，Longest6~v2 和 Town13 上成绩翻了两倍。此外，通过将我们的数据集整合到共享的仿真-现实管道中，我们在 NAVSIM 和 Waymo 基于视觉的端到端驾驶基准测试中实现了持续的性能提升。我们的代码、数据和模型已在 https://github.com/autonomousvision/lead 上公开。
引用
@article{arxiv.2512.20563,
title = {LEAD: Minimizing Learner-Expert Asymmetry in End-to-End Driving},
author = {Long Nguyen and Micha Fauth and Bernhard Jaeger and Daniel Dauner and Maximilian Igl and Andreas Geiger and Kashyap Chitta},
journal= {arXiv preprint arXiv:2512.20563},
year = {2026}
}
备注
Accepted at CVPR 2026