ACCV 2026论文提出端到端自动驾驶查询式代价学习框架
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载从模仿几何到学习代价
现有端到端规划器多采用路点回归的方式，在开环测试中能取得较高的精度，但其学习目标偏向复现专家轨迹的几何形状，面对部署阶段的安全约束时调整起来并不容易。这篇论文提出一种基于查询的代价学习框架，不再对密集的 BEV 栅格或少量回归出的轨迹集合估计代价，而是针对动态可达的自车轨迹查询给出有界代价。作者认为，把学习对象从轨迹坐标转向代价拓扑，能让规划器在保持可解释代价接口的同时，更直接地服务于安全约束。该方法被第 18 届亚洲计算机视觉会议（ACCV 2026）接收，论文编号为 arXiv:2610.08123，提交时间为 2026 年 10 月 6 日，作者包括 Ahmed Abouelazm、Rupert Polley、Qingyuan Zhang、Yin Wu、Philip Schörner、Carl Esselborn 与 J. Marius Zöllner。
场景令牌与代价聚合
框架的核心由几部分组成。紧凑的联合场景令牌用于刻画多模态的智能体未来，使场景中各参与者的可能走向被统一编码，而不是彼此割裂地预测。随后，带有应急意识的代价聚合机制把这些信息整合为代价估计，再通过代价引导的簇内 MPPI 混合，将学到的代价拓扑转化为实际可行的自车规划。这一流程的关键在于，代价并非直接输出一条轨迹，而是先形成一张可查询的代价分布，再由采样与混合步骤从中挑选并组合出候选方案。作者强调，这种设计保留了可解释的代价接口，使规划结果与代价估计之间的对应关系能够被查看和追溯，而不是被封装进一个难以检视的回归头中。
基准与实车对比结果
在 nuScenes 数据集上，该方法相较 ST-P3 与 NMP 等此前的代价估计规划器有所提升，在碰撞率指标上优于多数回归类基线，同时在 L2 指标上保持竞争力。这意味着它并未以牺牲轨迹精度为代价换取安全性，而是在两类指标之间取得相对均衡的位置。在真实道路驾驶日志上，该规划器无需微调即可降低碰撞率，对比对象为 SparseDrive 与 Alpamayo，并且仍能维持一组多样化的候选轨迹。候选轨迹的多样性对实际部署有直接意义：当某一候选因突发状况不可行时，规划器仍有其他选项可供切换，而不必重新训练或依赖单一输出。
适用范围与读者关注点
从方法定位看，这套框架面向的是端到端驾驶规划中的代价估计环节，其输入依赖动态可达的自车轨迹查询，输出为有界代价，因此适用范围与查询集合的构造方式紧密相关。论文给出的证据集中在 nuScenes 基准与真实驾驶日志两类场景，前者用于与既有规划器横向比较，后者用于检验跨域迁移时是否仍需微调。对关注端到端规划的读者而言，值得留意的是代价学习与路点回归在目标上的差异：前者把安全约束的表达前移到代价层面，后者则更多停留在几何模仿。论文同时提供了代码与实验细节的公开链接，便于进一步核对具体设置与复现条件。
为什么值得看
突破端到端规划仅模仿专家几何的局限，在提升安全性的同时保持精度与可解释性，对自动驾驶规划落地有直接参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。