跳到正文
  1. arXiv · 机器人与计算机视觉78

    超越违规分数:驾驶与机器人导航代理的闭环评估失败边界轮廓

    针对 CARLA 封闭回路基准仅依赖违规罚分无法区分停止与推挤障碍行为的局限,本文提出失败边界轮廓方法,通过改变走廊宽度或车流时间差等因子并认证每个变体应通行或停止,估算代理的承诺度与能力曲线。该方法在七个驾驶代理和 Isaac Sim 仓库机器人上评估显示,规则专家决策准确率为 0.74,而得分最高的学习代理仅为 0.60,揭示了高分策略在不同失败模式下的差异。代码与数据已公开。

    推荐理由:提出失败边界轮廓方法,通过认证标签区分不同导航策略在闭环评测中的决策准确性与行为差异。

  1. arXiv · 机器人与计算机视觉83

    PlanContext:一种用于评估自动驾驶上下文决策能力的基准

    针对现有端到端自动驾驶基准主要评估轨迹质量而忽视上下文依赖决策的问题,本文提出了 PlanContext 基准。该基准通过在 NAVSIM 数据集上构建配对评估,固定观测场景并变化高层驾驶意图,定义了六种典型驾驶上下文,联合评估了上下文决策正确性、道路合规性和动态安全性。

    推荐理由:该基准通过固定场景改变高层意图,揭示了传统轨迹指标无法捕捉的上下文决策差异。

  1. arXiv · 机器人与计算机视觉78

    Comfortably Stuck:Bench2Drive 闭环评估协议的陷阱与修正方案

    论文指出 Bench2Drive 基于 CARLA 的闭环评估协议存在严重缺陷:其舒适度指标因实现错误和奖励静止的策略,导致评分与实际驾驶表现相关性极低;导航信号供给机制也存在控制器替换转向及训练/测试目标点不一致的问题。作者通过实验验证了这些陷阱对 UniAD 等模型的影响,并发布了独立的修正代码,允许在不重新运行仿真复现的情况下获取更准确的舒适度分数。

    推荐理由:原文指出 Bench2Drive 闭环评估协议存在指标实现错误与导航信号供给缺陷,导致评分失真,并提供了修正后的距离基线代码。

已经到底了