跳到主要内容
返回时间线
arXiv来源发表:

端到端驾驶把“去哪”和“怎么开”拆开监督:CausalDrive在NAVSIM v1拿到91.2 PDMS

核心概要

端到端驾驶策略通常把专家轨迹当作一个整体目标来模仿,而同一段轨迹可能对应不同的行驶意图与执行风格,两者的贡献因此纠缠在一起。CausalDrive把监督拆成两路:一路由导航指令、地图拓扑和自车状态构造不含风格的反事实名义轨迹,训练确定性的名义意图规划器;另一路用扩散模型在名义轨迹与专家轨迹的残差上建模多模态驾驶风格。在NAVSIM v1上它取得91.2 PDMS,在NAVSIM v2上取得89.5 EPDMS,与所比较方法的最好水平持平或更高。

Source-provided article image: CausalDrive: Causal Decomposition for Data-Efficient End-to-End Autonomous Driving
arXiv

深度剖析

端到端驾驶的监督目标被拆成“名义意图”和“驾驶风格”两个分别监督的部分,而不是让一个策略从同一条专家轨迹里同时学这两件事。 此前的回归式规划器直接预测完整专家轨迹,生成式规划器则对完整轨迹建模多模态分布,都没有显式区分名义意图与执行风格。 在NAVSIM v1上,CausalDrive以ResNet-34骨干取得91.2 PDMS,与表中DiffusionDriveV2的91.2相同;在NAVSIM v2上取得89.5 EPDMS,高于表中DiffusionDriveV2的87.5。

名义意图由一个不看周围智能体、也不看专家未来轨迹的规划器给出,风格则由扩散策略在名义轨迹之上生成残差来补足。 名义轨迹由导航指令、地图拓扑和自车状态经车道关联、拓扑延伸与时间参数化构造,作为去除风格影响的反事实目标;风格执行策略以该名义轨迹和周围智能体为条件,对名义轨迹与专家轨迹之差建模多模态分布。 消融以DiffusionDrive为基线:只加名义意图规划器时DAC升到97.3,但TTC和NC分别下降24.0和3.6;再叠加风格执行策略后TTC和NC分别回升25.0和3.7,PDMS达到89.9,加入排序器后为91.2。

启示与展望

评估在NAVSIM v1与NAVSIM v2两个规划基准上进行,训练集为navtrain的1,192个场景,评测集为navtest的136个场景,指标为PDMS与EPDMS;数据效率实验在20%、40%、60%、80%和100%的专家数据比例下比较,所有配置都在固定的navtest划分上评测。

数据效率上的优势随训练数据增多而收窄,相对DiffusionDriveV2的领先幅度在数据充足时变小;按残差比例优先采样时,只用前40%场景带来明显提升,但子集继续扩大后边际收益递减,小残差场景贡献有限。