面向End to End驾驶的统一动态静态不确定性框架UniUncer
分布式、并行与集群计算
2026-03-11 v2 计算与语言
机器学习
摘要
End to End（E2E）驾驶已成为行业部署和学术研究的基石，提供了一个单一的可学习管道，将多传感器输入映射到动作，避免手工设计的模块。然而，这类管道的可靠性强烈取决于其处理不确定性的能力：传感器噪声、语义模糊以及与其他道路用户的相互作用本质上是随机的。不确定性以多种形式出现：分类与定位，更重要的是，既存在静态地图元素，也存在动态代理。现有的E2E方法仅建模静态地图不确定性，使规划受到过度自信和不可靠输入的威胁。我们提出UniUncer，首个轻量级、统一的不确定性框架，能够在E2E规划器中联合估计并利用静态和动态场景元素的不确定性。具体而言：（1）我们将确定性头部转换为概率Laplace回归器，输出每个顶点的location和scale，用于向量化的静态和动态实体；（2）我们引入不确定性融合模块，对这些参数进行编码，并将其注入到对象/地图查询中，以形成不确定性感知查询；（3）我们设计了不确定性感知门，根据当前不确定性水平自适应地调制对历史输入（ego状态或时序感知查询）的依赖程度。该设计增加的开销极小，仅将吞吐量降低约0.5 FPS，同时保持与常见E2E backbones的即插即用。实验表明，在nuScenes（open-loop）上，UniUncer将平均L2轨迹误差降低7%；在NavsimV2（伪闭环）上，提升了整体EPDMS的10.8%，并在具有挑战性且互动密集的场景中取得显著的第二阶段收益。消融实验确认，动态代理不确定性和不确定性感知门都是必需的。
引用
@article{arxiv.2603.07685,
title = {Scalable Training of Mixture-of-Experts Models with Megatron Core},
author = {Zijie Yan and Hongxiao Bai and Xin Yao and Dennis Liu and Tong Liu and Hongbin Liu and Pingtian Li and Evan Wu and Shiqing Fan and Li Tao and Robin Zhang and Yuzhong Wang and Shifang Xu and Jack Chang and Xuwen Chen and Kunlun Li and Yan Bai and Gao Deng and Nan Zheng and Vijay Anand Korthikanti and Abhinav Khattar and Ethan He and Soham Govande and Sangkug Lym and Zhongbo Zhu and Qi Zhang and Haochen Yuan and Xiaowei Ren and Deyu Fu and Tailai Ma and Shunkang Zhang and Jiang Shao and Ray Wang and Vasudevan Rengasamy and Rachit Garg and Santosh Bhavani and Xipeng Li and Chandler Zhou and David Wu and Yingcan Wei and Ashwath Aithal and Michael Andersch and Mohammad Shoeybi and Jiajie Yao and June Yang},
journal= {arXiv preprint arXiv:2603.07685},
year = {2026}
}
备注
Technical Report. 88 pages. 42 figures