arXiv · 机器人与计算机视觉· Yihong Xu, Eloi Zablocki, Yuan Yin, Elias Ramzi, Ellington Kirby, Alexandre Boulch, Matthieu Cord·· 29 天前精选AI 评分82
端到端自动驾驶规划器的测试时轨迹优化方法 TOAD
Test-Time Trajectory Optimization for Autonomous Driving
AI 导读
论文提出 TOAD 方法,将端到端规划器的评分器转化为学习到的轨迹级奖励函数,并在测试时使用交叉熵方法搜索最大化该奖励的轨迹。该方法无需重训即可作为即插即用模块集成到现有规划器中。实验显示,TOAD 在七种基线规划器上均提升了 NAVSIM-v1、NAVSIM-v2 及闭环 HUGSIM 基准的表现。代码已公开。
推荐理由
TOAD 将评分器转化为测试时奖励函数,利用交叉熵方法优化轨迹,无需重训即可提升七种基线规划器的 NAVSIM 与 HUGSIM 基准表现。
来源:arXiv · 机器人与计算机视觉 · arxiv.org