面向可扩展与稳健端到端驾驶规划器的关键因素是什么？

David Holtz; Niklas Hanselmann; Simon Doll; Marius Cordts; Bernt Schiele

面向可扩展与稳健端到端驾驶规划器的关键因素是什么？

机器人学 2026-03-17 v1 人工智能计算机视觉与模式识别

作者: David Holtz , Niklas Hanselmann , Simon Doll , Marius Cordts , Bernt Schiele

摘要

端到端自动驾驶因其在交互场景中学习稳健行为并随数据规模扩展的潜力受到广泛关注。流行的架构通常基于用于感知和规划的独立模块，通过鸟瞰图特征网格等潜在表示相连，以维持端到端可区分性。这一范式主要是在开放环�数据集上建立的，评估不仅关注驾驶性能，还关注中间感知任务。不幸的是，单在开放环上表现出色的架构往往难以转化为可扩展的稳健闭环驾驶学习。本文系统性地重新审视了常见架构模式对闭环性能的影响：(1)高分辨率感知表示，(2)解缠的轨迹表示，(3)生成式规划。关键的是，我们评估了这些模式的组合影响，揭示了意想不到的局限性以及潜在的协同效应。基于这些见解，我们引入BevAD，一种新型轻量级且高度可扩展的端到端驾驶架构。BevAD在Bench2Drive基准上实现了72.7%的成功率，并展示了使用纯模仿学习的强大数据规模行为。我们的代码和模型在此公开：https://dmholtz.github.io/bevad/

关键词

端到端驾驶自动驾驶架构闭环模仿学习 BevAD

引用

@article{arxiv.2603.15185,
  title  = {What Matters for Scalable and Robust Learning in End-to-End Driving Planners?},
  author = {David Holtz and Niklas Hanselmann and Simon Doll and Marius Cordts and Bernt Schiele},
  journal= {arXiv preprint arXiv:2603.15185},
  year   = {2026}
}

备注

To be published in CVPR Findings 2026

面向可扩展与稳健端到端驾驶规划器的关键因素是什么？

摘要

关键词

引用

备注

相关论文