查询式代价学习端到端驾驶规划框架发布
热点事件持续更新
查询式代价学习端到端驾驶规划框架发布
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
Ahmed Abouelazm 等研究者发布一种查询式代价学习框架，为动态可达的自车轨迹查询估计有界代价，而非依赖密集 BEV 网格或少量回归轨迹，用于端到端驾驶规划。 论文称，该方法在 nuScenes 数据集上优于 ST-P3、NMP 等代价估计规划器，碰撞率超过多数回归基线且 L2 保持竞争力；在真实驾驶日志中无需微调即比 SparseDrive 和 Alpamayo 降低碰撞率。该工作已被 ACCV 2026 接收。
AI 根据报道生成 · 1 小时前更新
最新进展10月7日 12:00
超越路点回归：面向端到端驾驶的可达自车未来查询式代价学习报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv：cs.LG超越路点回归：面向端到端驾驶的可达自车未来查询式代价学习
研究者提出一种查询式代价学习框架，为动态可达的自车轨迹查询估计有界代价，而非依赖密集 BEV 网格或少量回归轨迹。该方法在 nuScenes 上优于 ST-P3、NMP 等代价估计规划器，在碰撞率上超过多数回归基线且 L2 保持竞争力；在真实驾驶日志中无需微调即比 SparseDrive 和 Alpamayo 降低碰撞率。该工作已被 ACCV 2026 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。