端到端自动驾驶只需上传一次模型:FedE2E在Bench2Drive闭环评测拿到55.85驾驶分
端到端自动驾驶的联邦训练此前通常要多轮通信,且多用开环误差衡量,难以反映连续驾驶中的误差累积。FedE2E让每个客户端只上传一次模型权重,服务器用这些模型作教师、以自身数据做知识蒸馏,经多客户端校准、锚点对齐和逐词元共识蒸馏合成全局模型。在CARLA的Bench2Drive闭环评测中,单轮设置下驾驶分55.85,比同样采用蒸馏的FedDF高4.07分,但仍低于集中式训练的63.30。
端到端自动驾驶的联邦训练此前通常要多轮通信,且多用开环误差衡量,难以反映连续驾驶中的误差累积。FedE2E让每个客户端只上传一次模型权重,服务器用这些模型作教师、以自身数据做知识蒸馏,经多客户端校准、锚点对齐和逐词元共识蒸馏合成全局模型。在CARLA的Bench2Drive闭环评测中,单轮设置下驾驶分55.85,比同样采用蒸馏的FedDF高4.07分,但仍低于集中式训练的63.30。
TrajWAM 把一条四路点自车轨迹作为查询,接到视觉语言驾驶规划器共享表示上的鸟瞰图未来预测分支,训练时同时做已执行轨迹下的事实重建和扰动轨迹下的单向特征分离,部署时直接输出路点、跳过该分支。在 Bench2Drive 全部220条路线上,它取得91.53驾驶得分和75.45%成功率,比同日程纯规划微调基线高5.31分、多9条成功路线。
已读完全部报道