AI 研究助理

基于站内最新资料,回答 AI 前沿问题

回答带出处引用,支持多轮追问,当前页面内容会作为上下文

快速响应
AI 前沿跟踪
今日首页重点内容GitHub 趋势榜
领域
学术研究
大模型
具身智能
AI 基础设施
智能体 · Skill · MCP
机器人
多模态
自动驾驶
数据 / MLOps
AI 硬件
安全对齐
综述与报告
论文自动驾驶重点自博弈端到端规划蒸馏自动驾驶

TerraTransfer++: Demonstration-Free End-to-End Planner

查看原文(PDF)
AI 解读已生成 · AI 生成,数字以原文为准
AI 全文总结值得深入基于论文全文 6.5 万字 · 完整阅读

自博弈教师蒸馏视觉学生,无人类演示;NAVSIM 59.4 EPDMS 超已发布方法。

针对模仿学习依赖稀缺安全关键日志、闭环强化学习受渲染与视觉骨干前向成本制约的问题,TerraTransfer++ 把“学会驾驶/规划”与“学会看”解耦:先在向量化模拟器 TerraZero 中经多智能体自博弈 PPO 无人类轨迹预训练策略教师,再将其 rollout 蒸馏为 flow-matching 轨迹教师,最后在冻结 DINOv3 骨干上加轻量 adapter,用动作 KL、低秩结构化关系损失(规划学生另加轨迹匹配)在成对 (image, scene-state) 帧上对齐,无需在线渲染。作者报告,该教师经 16 A100 自博弈后,闭环学生在 HUGSim 全部划分以聚合 0.548 HD-Score 超过所有已发表模仿基线;规划学生达 59.4 EPDMS(对比 DriveZero-Scale 57.1)和 95.5 PDMS,均列传感器方法第一。消融显示二者损失均必要,且模式由教师低秩谱决定。局限是教师可依赖相机被遮挡的智能体、以及配对数据缺少极端天气与罕见场景。

  1. 1三阶段:TerraZero 自博弈教师→轨迹蒸馏→视觉对齐。
  2. 2自博弈 96h/16A100 跑 2.4B km,无人类演示。
  3. 3NAVSIM 59.4 EPDMS、95.5 PDMS。

为什么重要 对自动驾驶数据闭环:用 2.4B km 自博弈仿真替代车队日志稀有事件采集,对齐只用 1.83M+300K 固定配对帧,免在线渲染。适合 关注端到端规划、仿真闭环评测与数据闭环成本的自动驾驶工程师。

来源
arxiv.org
发布
2026/10/23

中文(AI 翻译)

端到端自动驾驶已在基准测试和实际部署中取得了最先进的性能。然而,其标准训练方法在所有现有范式中都很昂贵:模仿学习需要车队规模的驾驶日志,其行为分布仅薄薄覆盖安全关键的尾部场景;在光真实模拟器中的闭环强化学习虽然能提供多样的行为,但受限于采样效率、每一步渲染的成本以及通过大型视觉骨干网络的前向计算。

在矢量化模拟器中的自博弈改变了经济性:以每秒数百万 rollout 步数,可以获得在碰撞、险情和恢复方面具有自然多样性的状态分布,这是任何驾驶日志都不包含的,并且一个高响应策略从基本的驾驶质量奖励中涌现出来。我们的方法利用这种不对称性。我们通过自博弈预训练一个单一策略,将其 rollout 蒸馏为一个同时进行规划的 flow-matching 轨迹教师,并在冻结的预训练视觉骨干网络上训练轻量适配器,以通过动作 KL 散度、批量关系低秩结构损失以及(对规划器而言)轨迹匹配损失来重现任一教师的潜在空间。

每个目标都回溯到自博弈策略,因此对齐从不对照记录的轨迹进行监督:一个(图像,场景状态)帧的成对数据集就足够了,无需模仿预训练所依赖的精选专家演示。从这一位自博弈教师,我们获得两个端到端学生:一个闭环策略,在光真实 3D Gaussian splatting 闭环基准 HUGSim 上超越了所有已发表的基于模仿的端到端方法;以及一个规划器,在 NAVSIM navhard 上达到 59.4 EPDMS,超过所有已发表方法,包括 DriveZero-Scale(57.1),并在 navtest 上达到 95.5 PDMS,且不使用人类演示。

原文

End-to-end autonomous driving has achieved state-of-the-art performance on benchmarks and real-world deployments.

Its standard training recipe, however, is expensive across all existing paradigms: imitation learning requires fleet-scale driving logs whose behavior distribution only thinly covers the safety-critical tail; closed-loop reinforcement learning in a photorealistic simulator, while offering diverse behaviors, is bottlenecked by sample-efficiency, per-step cost of rendering, and a forward pass through a large vision backbone.

Self-play in vectorized simulators changes the economics: at millions of rollout steps per second, one can obtain a state distribution with natural diversity in collisions, near-misses, and recoveries that no driving log contains, and a highly reactive policy emerges from a basic driving-quality reward.

Our approach exploits this asymmetry.

We pretrain a single policy by self-play, distill its rollouts into a flow-matching trajectory teacher that also plans, and train lightweight adapters on a frozen pretrained vision backbone to reproduce the latent space of either teacher through the action KL divergence, a batch-relational low-rank structural loss, and, for the planner, a trajectory-matching loss.

Every target traces back to the self-play policy, so alignment never supervises against a logged trajectory: a paired dataset of (image, scene-state) frames suffices, with no need for the curated expert demonstrations that imitation pretraining is built on.

From this one self-play teacher we obtain two end-to-end students: a closed-loop policy that outperforms every published imitation-based end-to-end method on the photorealistic 3D Gaussian splatting closed-loop benchmark HUGSim, and a planner that reaches 59.4 EPDMS on NAVSIM navhard, above every published method including DriveZero-Scale (57.1), and 95.5 PDMS on navtest, without human demonstrations.

0.548

HUGSim 闭环

436 场景聚合

95.5

navtest PDMS

NAVSIMv1

约 97.5%

教师性能保留

相对 teacher 0.562

94.19

教师 nuPlan

val14

注释 · 所有分数来自论文主结果;teacher 行是特权参考,不作为图像方法比较。出自 §3.3、§3.4

  • Ours
    59.4
  • DriveZero-Scale
    57.1
  • DriveZero
    51.5
  • GigaPixel
    50.1
  • ZTRS
    48.1

注释 · 同组均不使用人类轨迹监督;数值为 NAVSIMv2 navhard EPDMS。出自 Table 2

F1 对比传统模仿/日志/渲染管线与本三阶段 RL 预训练:自博弈 PPO 教师、轨迹教师蒸馏、视觉学生对齐,蓝色模块可训练、轮廓模块冻结。
F3 展示 HUGSim Extreme 的不合理初始配置:视角遮挡、车辆穿模,触发学生保守让行,牺牲 Rc​ 拉低 Extreme 分数。
自博弈训练
16×A100,96小时
对齐训练
8×A100,10小时
动作空间
12 离散 jerk 动作,0.1s
蒸馏轨迹
80 位姿 @10Hz=8s

深度总结

1 / 7
0.321
HUGSim 各 split 闭环分数· 表格

Ours 在四个 split 全部领先已发布基线,KITTI-360 为 0.321 对 ECO 0.310。

方法nuScenesPandaSetKITTI-360Waymo
UniAD0.2590.2950.1060.315
VAD0.2670.2410.0630.189
LTF0.4040.3110.0820.292
ECO0.4520.4460.3100.510
Teacher0.6470.5540.3630.710
Ours0.6360.5650.3210.695

注释 · 数值为 Table 1 左块 Close-loop HD-Score 的 All 难度聚合。出自 Table 1