Tag · 5 篇

端到端驾驶

WOD-E2E: Waymo Open Dataset for End-to-End Driving in Challenging Long-tail Scenarios

为视觉端到端驾驶提供了聚焦长尾场景的基准与基于人类偏好评分的开放环指标 RFS，可用于评估轨迹预测在罕见场景下的多模态合理性，替代传统距离指标。

TruckDrive: Long-Range Autonomous Highway Driving Dataset

该数据集提供了长达1000米的2D检测和400米的3D检测基准，可用于评估和开发面向长距离感知的模型，特别是融合LiDAR、相机和4D雷达的多模态方法，以解决现有模型在150米外性能骤降的问题。

Neuro-Cognitive Reward Modeling for Human-Centered Autonomous Vehicle Control

把脑电信号中的事件相关电位强度作为可预测的认知奖励信号，用视觉场景输入回归 ERP 强度并注入强化学习奖励，为视觉驾驶策略提供一种无需人工排序偏好数据的隐式人类对齐监督。

LEAD: Minimizing Learner-Expert Asymmetry in End-to-End Driving

论文把「特权专家与传感器学生之间的不对称」拆成可见性、不确定性与导航意图三个可度量的维度，并给出可操作的干预手段；做端到端驾驶或特权信息蒸馏的研究者可以直接复用这套不对称分析与 TFv6 学生策略设计，也可借鉴其把感知监督接入 sim-to-real 共享管线的做法。

EE-RL: Vision Language Guided Reinforcement Learning with Explorer and Expert model for End-to-End Autonomous Driving

将微调后的视觉语言模型作为稀疏关键场景的推理专家，并用StateHash按RGB相似度与运动学相似度跳过冗余VLM推理，这一「按需调用VLM」的机制可迁移到其他需要昂贵大模型推理的在线决策或感知流程中。