成濑心美快播

第四 色 自动驾驶初次应用测试时狡计!港大英伟达等新技能让AI边开边学,无东说念主车遇变说念自如应付

第四 色 自动驾驶初次应用测试时狡计!港大英伟达等新技能让AI边开边学,无东说念主车遇变说念自如应付

当开车际遇变说念、加塞等场景时第四 色,驾驶员经常会下意志地激活我方的"安全驾驶念念维",从而作念出激进的诡秘活动。

AV解说

与之近似,自动驾驶汽车在上述场景中,更会施展得像个谨言慎行的"外行司机",这是因为模子的有策画经常依赖于工程师预设的固定例则,进而导致"不求无功,但求无过"的驾驶作风,但过多的无故急刹、过度避开反而会激发很是的安全隐患。

针对上述问题,来自香港大学、英伟达和德国图宾根大学的鸠合团队残酷 Centaur(Cluster   Entropy for   Test-time trAining using   UnceRtainty)花样,大致动态地改善驾驶计策,通过在线的数据伊始,开脱了对预设规矩的依赖,大幅提高了自动驾驶汽车在不笃定性场景中的相宜性与安全性。

Centaur 在测试推理经过中动态地换取模子权重,相宜 OOD 场景,普及泛化才智。模子应用 Cluster Entropy 当作自监督信号,并初次将 Test-Time Training(TTT)应用于端到端自动驾驶,幸免手动规矩和资本函数,及时减少不笃定性并改进预计,借由在线数据伊始收场了轨迹预计的可彭胀性。

论文已上传 arXiv,代码、checkpoint 等行将开源。

驾御不笃定性

连接来说,模子是若何揣度我方输出不笃定性的?一种直不雅的花样是不雅察模子输出的溜达气象,并基于"固定采样下,模子的输出标的越鸠合,越靠近模子的最高置信度"的假定,来狡计模子输出的聚类进程,从而侧面揣度出模子输出的不笃定性。

Cluster Entropy 通过轨迹采样、聚类和熵狡计来评估自动驾驶模子的不笃定性。比拟传统的花样,它联结了直行、细小右转、剧烈右转、细小左转和剧烈右转的活动聚类,使得不笃定性揣测更具可讲解注解性。举例,当模子面临复杂的交叉路口时,Cluster Entropy 能直不雅反应不同驾驶有策画的不笃定性,从而匡助优化自动驾驶系统的安全性。

边行驶边进化

TTT 在推理经过中应用 Cluster Entropy 当作自监督主义,通过梯度优化让模子自相宜地换取特征表征,从而普及对 OOD 场景的相宜才智。

具体而言,模子通过狡计 Cluster Entropy,判断现时环境的 OOD 级别。淌若模子对现时环境的交融较差,则触发 TTT 训诲经过,通过梯度下落对特征索求收罗进行小幅度更新,使其更相宜现时环境特征溜达。这一花样使得 Centaur大致在推理时自相宜地优化本人,在 OOD 场景中保捏表示的感知和驾驶才智,而无需依赖固定例则或东说念主工假想的资本函数。

实测接近东说念主类驾驶水平,安全性能全面普及

在 navtest 基准测试中,Centaur 的概述权术与驾驶主义得分(PDMS)获得了92.6%的获利,远远跳动了基于回退的花样,并接近东说念主类驾驶水平 。此外,Centaur 在碰撞幸免和碰撞时候等关节主义上亦施展出超卓的性能。

为了更好地评估自动驾驶系统在安全关节场景中的施展,咱们残酷了navsafe 数据集,成心用于测试端到端驾驶花样的安全性和鲁棒性。它基于 navtest,并联结了确实的事故数据,通过细粒度的评分机制,量化了自动驾驶模子的不同驾驶才智,而不像 navtest 只提供举座分数。

此外,Cluster Entropy 当作不笃定性度量用具,收场了 PDMS 的权臣普及,并在失败检测任务中, 获得了最好效劳。

论文地址:  https://arxiv.org/abs/2503.11650第四 色



Powered by 暗网人兽 @2013-2022 RSS地图 HTML地图

Copyright © 2013-2024 版权所有