ReAL-AD：面向 end-to-end 自动驾驶的人类化推理
机器人学
2025-07-18 v1 机器学习
摘要
end-to-end 自动驾驶已成为一种前景明确的单一框架方法，用于统一感知、预测和规划，减少信息损失并提高适应性。然而，现有方法通常依赖固定且稀疏的轨迹监督，限制了其捕捉人类驾驶员自然使用的层次化推理过程的能力。为弥合这一差距，我们提出 ReAL-AD，即一种推理增强学习框架 (Reasoning-Augmented Learning, ReAL-AD)，其驾驶决策基于人类认知模型的三个层级：驾驶策略、驾驶决策和驾驶操作，其中包含视觉语言模型 (Vision-Language Models, VLMs) 以增强情境意识和跨层级结构化推理。具体而言，我们引入：(1) 战略推理注入器，通过解释 VLMs 生成的洞见，构建高级驾驶策略；(2) 战术推理集成器，将战略意图细化为可解释的战术选择，如车道变更、超车和速度调整；(3) 分层轨迹解码器，将战术决策逐步转化为精确的控制动作，以实现平滑且符合人类化层次化推理的轨迹执行。广泛的评估表明，集成本框架后，规划精度和安全性均提升超过 30%，使 end-to-end 自动驾驶更具可解释性，符合人类化的层次化推理。项目页面位于：https://4dvlab.github.io/project_page/realad
引用
@article{arxiv.2507.12499,
title = {ReAL-AD: Towards Human-Like Reasoning in End-to-End Autonomous Driving},
author = {Yuhang Lu and Jiadong Tu and Yuexin Ma and Xinge Zhu},
journal= {arXiv preprint arXiv:2507.12499},
year = {2025}
}
备注
Accepted by ICCV2025