稀疏驱动 V2：端到端自主驾驶中以评分决定一切
计算机视觉与模式识别
2026-04-01 v1
摘要
端到端多模态规划广泛采用对驾驶行为不确定性建模，通常通过对候选轨迹进行评分并选择最优轨迹。现有方法大致可分为两类：对大量静态轨迹词汇表进行评分，或对小量动态生成的提案进行评分。虽然静态词汇表常因动作空间离散粗糙而受到批评，动态提案提供更细粒度的精度并在现有基准上显示出更强的实证性能。然而，是否需要动态生成，或静态词汇表在足够稠密覆盖动作空间时是否即可实现可比性能，仍不明确。本文对 Hydra-MDP——一种代表性的评分方法——进行系统性的规模研究，发现轨迹锚点越稠密，性能越好，且在计算约束到达前未出现饱和。基于此观察，我们提出 SparseDriveV2，通过两种互补创新推进评分方法在性能边界的推进：(1) 具备可扩展词汇表示，其结构分解为几何路径和速度剖面，使轨迹动作空间的组合覆盖成为可能；(2) 具备可扩展评分策略，对路径和速度剖面进行粗略分解评分，再对小量组合轨迹进行精细评分。通过将这两种技术相结合，SparseDriveV2 在 NAVSIM 上实现 92.0 PDMS 和 90.1 EPDMS，在 Bench2Drive 上实现 89.15 Driving Score 和 70.00 Success Rate，采用轻量级 ResNet-34 作为 backbone。代码和模型已发布于 https://github.com/swc-17/SparseDriveV2。
引用
@article{arxiv.2603.29163,
title = {SparseDriveV2: Scoring is All You Need for End-to-End Autonomous Driving},
author = {Wenchao Sun and Xuewu Lin and Keyu Chen and Zixiang Pei and Xiang Li and Yining Shi and Sifa Zheng},
journal= {arXiv preprint arXiv:2603.29163},
year = {2026}
}