Hugging Face Papers ↗ · 2026-11-19
PAD:自动驾驶的策略感知数据评估
媒体报道 Hugging Face Papers 原文语言:中文
本文介绍了策略感知数据评估(PAD)框架,用于解决自动驾驶中数据增长并不等同于策略提升的问题。实验表明,基于 PAD 的策略特定数据筛选在多个主流驾驶规划器上显著提升了性能,降低了场景级回归。
全文
端到端自动驾驶越来越依赖于规模化的训练示例,但数据增长并不保证成比例的提升。然而,额外的数据并不一定能带来更好的策略:对某个规划器有益的示例对另一个规划器可能是冗余或有害的。现有的筛选方法通常从内在样本属性或训练相关的代理指标推断数据价值,而这些并未衡量下游策略的实际效用。为了解决此问题,我们提出了策略感知数据估值(Policy-Aware Data Valuation,PAD)框架,为每个候选示例分配针对目标驾驶策略的特定效用。PAD 将场景级校准反馈、投影策略梯度以及局部训练几何的正则化近似相结合,生成可扩展的基于影响力的策略价值。通过受控的移除组实验验证了这些价值的方向性忠实度,而跨规划器分析显示,同一候选池在不同规划器族中会产生显著不同的排序。在 DiffusionDrive 上,PAD 将仅使用真实数据训练的 EPDMS 在 NavTest 上提升了 3.5 分,在 NavHard 上提升了 5.0 分。策略特定的筛选始终优于仅使用真实数据和全池训练,适用于基于扩散、回归和流匹配的规划器,并显著降低了场景级回归。这些结果表明,策略感知数据估值可以取代盲目数据累积,成为有针对性提升策略的基础,从而实现更高效、更可靠的自动驾驶系统规模化。
查看 arXiv 页面 查看 PDF 项目页面 GitHub 2 添加到收藏
正文为 AI 译文。