VADv2：通过概率规划实现端到端矢量化自动驾驶
计算机视觉与模式识别
2026-04-21 v2 机器人学
摘要
从大规模驾驶演示中学习类人驾驶策略前景广阔，但规划的不确定性和非确定性本质使其充满挑战。现有的基于学习的规划方法遵循确定性范式直接回归动作，无法应对不确定性问题。在这项工作中，我们提出了一种用于端到端自动驾驶的概率规划模型，称为 VADv2。我们借助概率场函数来建模从动作空间到概率分布的映射。由于规划动作空间是一个高维连续时空空间且难以处理，我们首先将规划动作空间离散化为一个大型规划词汇表，然后将该词汇表标记化为规划令牌。规划令牌与场景令牌交互并输出动作的概率分布。利用大量驾驶演示来监督该分布。VADv2 在 CARLA Town05 基准测试中实现了最先进的闭环性能，显著优于现有方法，并在最近的 Bench2Drive 基准测试中处于领先地位。我们进一步在 NAVSIM 和基于大规模 3DGS 的基准测试上提供了全面评估，证明了其在现实应用中的有效性。代码可在 https://github.com/hustvl/VAD 获取。
引用
@article{arxiv.2402.13243,
title = {VADv2: End-to-End Vectorized Autonomous Driving via Probabilistic Planning},
author = {Bo Jiang and Shaoyu Chen and Hao Gao and Bencheng Liao and Qian Zhang and Wenyu Liu and Xinggang Wang},
journal= {arXiv preprint arXiv:2402.13243},
year = {2026}
}
备注
Accepted to ICLR 2026. Code is available at https://github.com/hustvl/VAD