Tag · 6 篇
闭环评测
SafeDrive：稀疏世界中的端到端驾驶细粒度安全推理
SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World
提出轨迹条件化的稀疏世界模型，通过模拟关键动态智能体和道路实体的未来行为，为下游安全推理提供交互中心表示；这种显式、可解释的安全推理机制可迁移到其他需要预测交互风险的视觉决策任务中。
LEAD：最小化端到端驾驶中的学习者-专家不对称性
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。
DriveVLN：面向自动驾驶的无地图视觉语言导航
DriveVLN: Towards Mapless Vision-and-Language Navigation in Autonomous Driving
将视觉语言导航（VLN）从室内逐步指令扩展到自动驾驶的无地图点对点导航，提出基于自然语言描述和视觉线索（路标、地标、文字指示）的导航任务，并构建CARLA仿真引擎支持大规模训练与闭环评测，为语言驱动的自动驾驶提供新基准。
DriveMoE：面向端到端自动驾驶视觉-语言-动作模型的混合专家方法
DriveMoE: Mixture-of-Experts for Vision-Language-Action Model in End-to-End Autonomous Driving
DriveMoE 将 MoE 引入端到端自动驾驶的 VLA 框架，其视觉 MoE 通过路由器自适应选择相关相机视角，动作 MoE 通过路由器激活驾驶行为专家，这种按需激活专家的思路可复用于多视角感知与多模态动作生成任务，缓解模式平均问题。
走我的路：面向个性化驾驶的视觉-语言-动作模型偏好对齐
Drive My Way: Preference Alignment of Vision-Language-Action Model for Personalized Driving
把驾驶风格编码为用户嵌入并作为规划策略的条件输入，再叠加自然语言指令做短期引导，为端到端驾驶中「个性化/风格可控」提供了一条可复用的条件化 VLA 思路；其个性化驾驶数据集与 Bench2Drive 闭环评测协议也可直接用于评估风格适配能力。
扩散强制规划器：面向自动驾驶的历史退火规划与时变引导
Diffusion Forcing Planner: History-Annealed Planning with Time-Dependent Guidance for Autonomous Driving
把扩散模型的分段独立噪声水平与 CFG 结合，用退火历史作为引导信号来抑制时序抖动；做端到端轨迹生成或视频/序列预测的研究者可借鉴这种「历史段与未来段联合去噪」的异构扩散设定。