超越航点回归：基于查询的可达自车未来代价学习
Beyond Waypoint Regression: Query-Based Cost Learning over Reachable Ego Futures for End-to-End Driving
精选理由
用可解释成本学习提升端到端驾驶安全性，并兼顾轨迹多样性与部署适应性
AI 摘要
基于航点回归的端到端规划器能够实现出色的开环精度，但它们主要学习模仿专家轨迹几何形状，仍难以适应部署时的安全约束。我们提出一种基于查询的代价学习框架，用于估计动态可达自车轨迹查询的有界代价，而不是稠密 BEV 网格单元或少量回归轨迹集合。紧凑的联合场景 token 能够捕捉连贯的多模态交通参与者未来状态，而考虑应急情形的代价聚合与代价引导的簇内 MPPI 混合，则将学习到的代价拓扑转换为可行的自车规划方案。在 nuScenes 上，我们的方法优于 ST-P3 和 NMP 等先前的代价估计规划器，在碰撞率方面超过大多数回归基线，同时在 L2 指标上保持竞争力，并保留了可解释的代价接口。在真实世界驾驶日志上，无需微调，所提出的规划器相比 SparseDrive 和 Alpamayo 降低了碰撞率，同时保持了多样化的候选轨迹集合。