💻 computer science

Addressing the Waypoint-Action Gap in End-to-End Autonomous Driving via Vehicle Motion Models

Dit artikel stelt een differentieerbaar voertuigbewegingsframework voor dat de kloof tussen waypoint-gebaseerde en actie-gebaseerde end-to-end autonoom rijden overbrugt door actie-gebaseerde policies mogelijk te trainen en te evalueren binnen standaard waypoint-gebaseerde benchmarks, waarbij state-of-the-art prestaties op NAVSIM worden behaald.

Oorspronkelijke auteurs: Jorge Daniel Rodríguez-Vidal, Gabriel Villalonga, Diego Porres, Antonio M. López Peña

Gepubliceerd 2026-02-10

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Jorge Daniel Rodríguez-Vidal, Gabriel Villalonga, Diego Porres, Antonio M. López Peña

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot leert autorijden. Er zijn twee belangrijke manieren om de robot te vertellen wat hij moet doen:

De "Stuurwiel"-methode (Actie-gebaseerd): Je zegt tegen de robot: "Draai het stuur 5 graden naar links, druk een beetje op het gaspedaal en rem niet." Dit is alsof je een piloot specifieke, laag-niveau commando's geeft.
De "Routekaart"-methode (Waypoint-gebaseerd): Je zegt tegen de robot: "Rijd naar dit specifieke punt op de kaart, dan naar dat punt, en dan naar het volgende." Dit is als het geven van een lijst met bestemmingen aan een GPS.

Het Probleem: De Taalbarrière
Lange tijd werd de "Routekaart"-methode de gouden standaard. De meeste tests, wedstrijden en trainingsprogramma's voor zelfrijdende auto's zijn ontworpen om te controleren of de robot die specifieke punten op de kaart (waypoints) raakt.

Veel onderzoekers geven echter de voorkeur aan de "Stuurwiel"-methode omdat deze flexibeler is en geen perfecte GPS-kaarten nodig heeft (handig voor landelijke gebieden). Het probleem? Je kunt een "Stuurwiel"-robot niet gemakkelijk testen in een "Routekaart"-wedstrijd. Het is alsof je een schaaktoernooi probeert te betreden terwijl je alleen maar weet hoe je dammen moet spelen; de regels komen niet overeen met jouw zetten. Dit creëerde een "kloof" waarbij goede stuurwiel-robots niet konden bewijzen dat ze goed waren, omdat de tests gebouwd waren voor routekaart-robots.

De Oplossing: De "Universele Vertaler"
De auteurs van dit artikel hebben een slimme "vertaler" of een brug gebouwd om dit op te lossen.

Ze hebben een speciaal, wiskundig instrument gemaakt (een differentieerbaar voertuigmodel) dat fungeert als een simulator tijdens het trainingsproces. Zo werkt het:

De Input: De robot geeft zijn "Stuurwiel"-commando's (sturen, gas geven, remmen).
De Simulatie: Het instrument berekent direct: "Als de auto precies doet wat je zei, waar is hij dan over 1 seconde? Waar is hij over 2 seconden?" Het zet die laag-niveau commando's om in een lijst met kaartpunten (waypoints).
De Controle: Het systeem controleert vervolgens of die berekende kaartpunten overeenkomen met het "juiste" pad.
Het Leren: Als de robot van de weg raakte, stuurt het systeem een "correctiesignaal" via de simulator terug naar de robot, om hem te leren hoe hij de sturing en het gas moet aanpassen om de doelpunten te raken.

Waarom is dit cool?

Een Gelijk Speelveld: Nu kan een robot die denkt in "Stuurwiel"-commando's meedoen aan "Routekaart"-toernooien zonder de regels van het spel te veranderen.
Het is Flexibel: De auteurs hebben twee soorten "vertalers" getest:
- Het Fietsmodel (KBM): Stel je voor dat de auto een fiets is. Het is een eenvoudige, snelle manier om te voorspellen waar de auto heen gaat.
- Het Gladde Curve Model (CCPP): Stel je voor dat de auto een perfect, glad lint op de grond tekent. Dit is complexer maar gaat veel beter om met scherpe bochten en krommingen, net als een professionele coureur.
Betere Resultaten: Wanneer ze deze brug gebruikten, presteerden de "Stuurwiel"-robots net zo goed als, of zelfs beter dan, de "Routekaart"-robots in zware rijtests.

De Kernboodschap
Het artikel laat zien dat je niet hoeft te kiezen tussen een robot leren rijden door te sturen of door een kaart te volgen. Je kunt de robot leren sturen, en deze "wiskundige brug" gebruiken om te doen alsof hij een kaart volgt voor het doel van testen en beoordelen. Dit maakt het mogelijk om de beste rijstijlen eerlijk te vergelijken, wat leidt tot veiligere en slimmere zelfrijdende auto's.

Wat ze niet beweerden:

Ze beweerden niet dat dit alle problemen van zelfrijdende auto's oplost (zoals 3D-heuvels of ophangingsbewegingen).
Ze beweerden niet dat dit een medisch hulpmiddel of een specifieke toekomstige toepassing is; het is strikt een methode om de manier waarop we rijsoftware nu trainen en testen te verbeteren.

Technische Samenvatting: Het overbruggen van de Waypoint–Action Gap in End-to-End Autonoom Rijden via Voertuigbewegingsmodellen

1. Probleemstelling

End-to-End Autonome Rijsystemen (E2E-AD) zijn momenteel verdeeld in twee paradigma's op basis van hun output: waypoint-gebaseerde modellen, die toekomstige trajecten voorspellen, en actie-gebaseerde modellen, die direct lage-niveau controles (gas, sturen, remmen) produceren. Hoewel actie-gebaseerde beleid (policies) voordelen bieden zoals een verminderde afhankelijkheid van hoog-precieze GPS en een betere geschiktheid voor landelijke gebieden met slechte connectiviteit, heeft de onderzoeksgemeenschap steeds vaker de voorkeur gegeven aan waypoint-gebaseerde benaderingen.

Deze verschuiving heeft geleid tot een "Waypoint–Action gap". De meeste moderne benchmarks (bijv. NAVSIM, Bench2Drive) en trainingspipelines zijn uitsluitend ontworpen voor waypoint-outputs. Bijgevolg kunnen actie-gebaseerde policies niet direct getraind of geëvalueerd worden binnen deze frameworks zonder het introduceren van niet-standaard interfaces (bijv. het discretiseren van controle-ruimtes). Deze onbalans belemmert de eerlijke vergelijking en de vooruitgang van actie-gebaseerde methoden. Dit artikel beoogt deze kloof te overbruggen door actie-gebaseerde architecturen in staat te stellen om getraind en geëvalueerd te worden binnen bestaande waypoint-gebaseerde benchmarks zonder de evaluatieprotocollen te wijzigen.

2. Methodologie

De auteurs stellen een differentieerbaar voertuig-model framework voor dat fungeert als een analytische brug tussen actie- en waypoint-representaties. De kern van het mechanisme is een lifting operator ( $F_\phi$ ) die voorspelde actie-sequenties uitrolt naar bijbehorende ego-frame waypoint-trajecten. Dit stelt het systeem in staat om actie-gebaseerde policies te superviseren met waypoint-ruimte loss-functies.

Kerncomponenten:

De Lifting Operator ( $F_\phi$ ): Deze operator neemt een sequentie van lage-niveau acties ( $a_t$ $a_{t}$ ) en de initiële voertuigtoestand ( $s_t$ $s_{t}$ ) en produceert een sequentie van waypoints ( $w_t$ $w_{t}$ ). Het is gedecomposeerd in drie modulaire, differentieerbare componenten:
1. Control Activation ( $\psi_\phi$ ): Brengt ruwe netwerkoutputs in kaart naar begrensde fysieke controles (bijv. door gebruik te maken van sigmoid/tanh voor gas en sturen).
2. Dynamics Rollout ( $f_\phi$ ): Propageert de kinematische toestand in de tijd voorwaarts met behulp van voertuigdynamica.
3. Pose Projection ( $h$ ): Extraheert de planaire positie $(x, y)$ uit de volledige toestandvector.
Model-instanties: Het framework wordt geïnstantieerd met twee specifieke voertuigmodellen:
- Kinematic Bicycle Model (KBM): Een single-track model dat niet-holonome beperkingen vastlegt, geïntegreerd via Euler of Runge-Kutta (RK4) methoden.
- Continuous Curvature Path Planner (CCPP): Een model dat vloeiende trajecten genereert met behulp van clothoid-bogen om krommingcontinuïteit te garanderen, waardoor stuurdiscontinuïteiten van rechte-circulaire paden worden vermeden.
- MLP Baseline: Een Multi-Layer Perceptron wordt ook gebruikt als een data-gedreven lifting operator om met physics-gebaseerde modellen te vergelijken.
Trainingspipeline: Het policy netwerk ( $N_\theta$ ) voorspelt acties vanuit observaties en commando's. Deze acties gaan door de differentieerbare lifting operator om voorspelde waypoints te genereren. Een gewogen L1 loss wordt berekend tussen de voorspelde waypoints en de grondwaarheid (ground-truth) waypoints. Gradiënten stromen terug door de lifting operator om de policy-parameters bij te werken, terwijl de voertuigmodel-parameters constant blijven.

3. Belangrijkste Bijdragen

Het artikel schetst drie primaire bijdragen:

Waypoint-gebaseerd Trainingsdoel voor Actie-policies: De auteurs laten zien dat het koppelen van actie-policies aan hun framework en het superviseren ervan met een waypoint-ruimte loss resulteert in een stabielere evaluatie, hogere closed-loop prestaties en een sterkere correlatie met rijresultaten vergeleken met standaard actie-ruimte objectives.
Differentieerbaar en Deterministisch Framework: Dit werk introduceert voor het eerst een deterministisch en differentieerbaar voertuigdynamica-framework dat specifiek is ontworpen om lage-niveau acties naar waypoints te liften, wat hun gebruik in standaard benchmarks mogelijk maakt.
Verenigde Vergelijking over Paradigma's: Door het framework te instantieëren met KBM en CCPP, stellen de auteurs actie-gebaseerde en waypoint-gebaseerde policies in staat om onder hetzelfde waypoint-protocol getraind en geëvalueerd te worden zonder de bestaande benchmark-interfaces te wijzigen.

4. Experimentele Resultaten

Het framework werd geëvalueerd over vier uitdagende benchmarks: NAVSIM navtest, NAVSIM navhard, Bench2Drive, en een CARLA-gebaseerd protocol.

NAVSIM navhard (Reactief): De aanpak bereikte state-of-the-art prestaties onder vision-only modellen. Specifiek behaalde MILE gekoppeld aan de CCPP lifting operator een Extended Predictive Driver Model Score (EPDMS) van 29,5, waarmee het de sterkste vision-only baseline (Latent TransFuser) versloeg.
NAVSIM navtest (Niet-reactief): Het framework stelde actie-gebaseerde policies in staat om waypoint-gebaseerde baselines te evenaren of nauw te benaderen. CIL++ met KBM behaalde een Planning Discrepancy Metric Score (PDMS) van 83,3, binnen 1,5% van de state-of-the-art waypoint-only model (LAW).
Bench2Drive (Closed-loop): Het framework verbeterde de closed-loop prestaties aanzienlijk. Voor de CIL++ baseline verbeterde de Driving Score (DS) met wel 61,1% (van 43,6 naar 66,9 met CCPP), en de Route Completion (RC) verbeterde met meer dan 30%.
Trainingsstabiliteit: Het gebruik van RK4-integratie (met name bij CCPP) verminderde de variantie in trainingsdynamiek aanzienlijk vergeleken met Euler-integratie, wat leidde tot robuustere modelselectie.
Correlatiestudie: Het paper vond dat waypoint-niveau fouten gegenereerd door het framework (KBM/CCPP) sterker correleren met closed-loop succesratio's dan ruwe actie-ruimte fouten, wat suggereert dat supervisie op trajectniveau een betere proxy is voor real-world prestaties.

5. Betekenis en Claims

Het paper claimt dat het framework effectief de methodologische kloof overbrugt tussen actie-gebaseerde en waypoint-gebaseerde autonoom rijden. Door actie-gebaseerde policies in staat te stellen om getraind en geëvalueerd te worden binnen het dominante waypoint-gecentreerde benchmark-ecosysteem, verwijdert dit werk een significante barrière voor de ontwikkeling en vergelijking van controle-gebaseerde benaderingen.

De auteurs benadrukken dat hun methode geen aanpassingen vereist aan bestaande benchmark-protocollen, wat het een algemeen mechanisme maakt voor het aanpassen van actie-gebaseerde policies. Ze merken op dat hoewel het framework uitgaat van planaire beweging ( $R^2$ ) en 3D-effecten zoals banking of ophanging verwaarloost, het succesvol gebruik maakt van fysieke voertuigmodellen om de stabiliteit en prestaties van end-to-end leren te verbeteren. Het werk suggereert dat het integreren van kinematische structuur via differentiële lifting voordelig is, vooral in reactieve omgevingen waar fouten zich over de tijd accumuleren.