Long-Horizon Consistent and Interaction-Aware World Models for Multi-Style End-to-End Driving
该论文提出了 StyleDrive，这是一个基于世界模型的框架，通过时间一致性正则化、显式状态解耦以及组相对策略优化，解决了端到端驾驶中的时间不一致性、交互建模和风格适应性问题，在 Bench2Drive 基准测试上达到了最先进的性能，并展示了成功的仿真到现实（sim-to-real）迁移能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
自动驾驶汽车长期以来一直依赖于一种模块化的驾驶方法，将任务分解为独立的步骤：首先观察道路，然后预测其他车辆的行驶路径，最后决定如何转向。虽然这种方法行之有效，但在面对从未见过的路况时往往显得力不从心。一种被称为“端到端学习”的新型方法试图教会车辆直接将传感器所见映射到方向盘和踏板的操作上，就像人类驾驶员通过经验学习那样。为了让这一学习过程更安全、更高效，研究人员开始使用“世界模型”（world models）。这些是内部模拟系统，车辆可以在其中想象未来的场景并练习其反应，而无需离开计算机。这使得人工智能可以探索危险情况（如突然碰撞），并在不承担现实风险的情况下从结果中学习。然而，这些心理模拟通常存在一个特定的缺陷：随着车辆对未来的想象越来越远，画面会变得模糊且不连贯，系统也经常无法区分重要的近处车辆与无关的远处车辆。
一组研究人员开发了一种名为 StyleDrive 的新系统来解决这些问题。他们的工作在高度逼真的驾驶模拟器和真实车辆上进行了测试，引入了一种让 AI 既能保持清晰一致的未来景象，又能同时学习驾驶不同“性格”的方法。其创新的核心是一种保持车辆心理时间线稳定的方法。该系统并非任由误差在想象未来数秒的过程中不断累积，而是不断将其当前的预测与过去的状态历史进行比对。这就像一只稳健的手，确保想象中的前方道路即使在长时间跨度内也能保持物理上的合理性与连贯性。通过这种方式，车辆能够以更高的信心规划复杂的动作，例如汇入快速流动的车流。
研究人员还解决了车辆如何关注周围环境的问题。在以往的系统中，AI 往往会对每辆车或每个行人给予同等的重视程度，从而分散了注意力。新系统明确地将世界分为两个部分：直接影响车辆安全和运动的元素，以及不相关的背景元素。这使得车辆能够将决策能力集中在关键的交互上，例如行人走下路缘石或车辆切入，同时忽略无关细节。这种分离使得车辆的选择更具可解释性且更安全，因为它能清晰地识别出环境中的哪些部分驱动了它的行为。
StyleDrive 最显著的特征在于它能够适应不同的驾驶风格，而无需从头开始重新训练。大多数自动驾驶系统都是针对单一、固定的驾驶方式进行训练的，通常倾向于极端谨慎。然而，StyleDrive 可以在同一个框架内学习保守、适中或激进的驾驶风格。研究人员通过在多组不同的驾驶场景中同时训练系统并比较结果来实现这一点。系统不再仅仅因为车辆迈出的每一个小步而给予奖励，而是评估整个行程，并对旅程的整体成功给予奖励。这使得车辆能够学习一系列行为，从等待完美条件的谨慎驾驶员，到采取计算风险的果敢驾驶员，同时始终保持安全性。
研究结果非常显著。在一次标准的自动驾驶基准测试中，该系统的驾驶得分达到了 88.44，成功率达到 66.82%。这些数字相比于使用类似世界模型技术的以往最佳方法有了大幅提升，后者的得分明显较低。该系统在复杂场景中表现得尤为出色，例如在有对向来车的交叉路口导航或应对突发障碍物。在一次测试中，当其他系统要么撞上应急车辆，要么开上了人行道时，StyleDrive 准确地做出了让行并安全汇入。在另一次测试中，它平稳地超越了停滞的车流，而竞争模型则出现了不安全的动作。
为了证明这些技能不仅仅是模拟器的结果，研究人员将该系统部署在一辆配备了摄像头和激光传感器的真实自动驾驶车辆上。在现实世界的测试中，车辆成功处理了动态情况，例如避开迎面而来的障碍物，并为意外过马路的行人停车。该系统证明了它可以将从虚拟世界学到的行为迁移到物理世界，并保持根据情况切换不同驾驶风格的能力。这种从模拟到现实的成功转换表明，该系统的内部世界模型足以应对实际交通中的不可预测性。
这项研究强调，自动驾驶的未来可能不在于一套单一、僵化的规则，而在于能够清晰想象未来并根据语境调整行为的灵活系统。通过稳定长期预测并专注于真正重要的事物，StyleDrive 为实现不仅更安全，而且能驾驭多样且往往混乱的人类道路的车辆提供了一条路径。研究人员的工作表明，只要拥有正确的内部模型，机器就可以学习到以往难以企及的细微差别和适应能力。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。