ResAD：用于端到端自动驾驶的归一化残差轨迹建模
计算机视觉与模式识别
2025-11-25 v2 机器人学
摘要
端到端自动驾驶（E2EAD）系统直接从传感器数据学习预测未来轨迹，其根本挑战在于轨迹数据的固有时空不平衡。这种不平衡造成了显著的优化负担，导致模型学习虚假相关性而非稳健的驾驶逻辑，同时优先考虑不确定的远距离预测，从而损害即时安全性。为解决这些问题，我们提出了ResAD，一个新颖的归一化残差轨迹建模框架。与其直接预测未来轨迹，我们的方法通过预测相对于确定性惯性参考的残差偏差来重新定义并简化学习任务。该惯性参考作为一个强有力的物理先验，迫使模型超越简单的模式匹配，转而专注于从默认的惯性引导路径学习必要的、上下文驱动的偏差（例如交通规则、障碍物）。为缓解由不确定的长时序范围引起的优化不平衡，ResAD进一步引入了对预测残差的逐点归一化。该技术重新加权优化目标，防止与远距离不确定航路点相关的大幅度误差主导学习信号。在NAVSIM v1和v2基准测试上，ResAD以仅两次去噪步骤取得了88.8 PDMS和85.5 EPDMS的最先进结果，表明ResAD显著简化了学习任务并提升了规划性能。代码将公开发布以促进进一步研究。
引用
@article{arxiv.2510.08562,
title = {ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving},
author = {Zhiyu Zheng and Shaoyu Chen and Haoran Yin and Xinbang Zhang and Jialv Zou and Xinggang Wang and Qian Zhang and Lefei Zhang},
journal= {arXiv preprint arXiv:2510.08562},
year = {2025}
}