MVAdapt：面向端到端自动驾驶的零样本多车辆适应
机器人学
2026-04-15 v1 人工智能
摘要
端到端 (E2E) 自动驾驶模型通常在固定的自车辆上进行训练和评估，尽管其驾驶策略隐式地与车辆动力学相关联。当此类模型部署在具有不同尺寸、质量或驱动特性的车辆上时，其性能可能会显著下降；我们将这一问题称为车辆域差距。为解决此问题，我们提出了 MVAdapt，一个针对多车辆 E2E 驾驶的物理条件适应框架。MVAdapt 将冻结的 TransFuser++ 场景编码器与轻量级物理编码器以及一个跨注意力模块结合，后者在航点解码前依据车辆属性对场景特征进行条件化。在 CARLA Leaderboard 1.0 基准测试中，MVAdapt 在分布内和未见车辆上均优于朴素迁移和多体化适应基线。我们进一步展示了两种互补行为：对许多未见车辆实现强零样本迁移，以及对严重物理异常值的数据高效少样本校准。这些结果表明，显式地将车辆物理信息纳入 E2E 驾驶策略是通往更可迁移自动驾驶模型的有效路径。所有代码均可在 https://github.com/hae-sung-oh/MVAdapt 获取。
引用
@article{arxiv.2604.11854,
title = {MVAdapt: Zero-Shot Multi-Vehicle Adaptation for End-to-End Autonomous Driving},
author = {Haesung Oh and Jaeheung Park},
journal= {arXiv preprint arXiv:2604.11854},
year = {2026}
}