SafeDrive：稀疏世界中基于轨迹的细粒度安全推理的端到端驾驶
计算机视觉与模式识别
2026-04-01 v2
摘要
端到端（E2E）范式将传感器输入直接映射为驾驶决策，近年来因其统一建模能力和可扩展性而受到广泛关注。然而，在统一框架中确保安全仍是最关键的挑战之一。本文提出 SafeDrive，一个 designed to 通过基于稀疏世界模型的显式且可解释的安全推理的 E2E 规划框架。SafeDrive 包含两个互补网络：稀疏世界网络（SWNet）和细粒度推理网络（FRNet）。SWNet 构建轨迹条件化稀疏世界，模拟关键动态主体和道路实体的未来行为，为下游推理提供互动中心表示。FRNet 然后评估主体特定的碰撞风险和对可驾驶区域的时序遵循能力，使其能够在未来时间步中精确识别安全关键事件。SafeDrive 在开放式和封闭式基准测试中实现 state-of-the-art 性能。在 NAVSIM 上，它记录了 PDMS 为 91.6 和 EPDMS 为 87.5，仅发生 61 起碰撞（占 12,146 个情景场景的 0.5%），在 Bench2Drive 上达到了 66.8% 的驾驶得分。
引用
@article{arxiv.2602.18887,
title = {SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World},
author = {Jungho Kim and Jiyong Oh and Seunghoon Yu and Hongjae Shin and Donghyuk Kwak and Jun Won Choi},
journal= {arXiv preprint arXiv:2602.18887},
year = {2026}
}
备注
Accepted to CVPR 2026, 19 pages, 9 figures