arXiv cs.AI· Ahmed Abouelazm, Rupert Polley, Qingyuan Zhang, Yin Wu, Philip Sch\"orner, Carl Esselborn, J. Marius Z\"ollner·· 12 小时前AI 评分24
基于查询的可达自车未来代价学习：超越端到端驾驶的航点回归
Beyond Waypoint Regression: Query-Based Cost Learning over Reachable Ego Futures for End-to-End Driving
AI 导读
研究者提出一种基于查询的代价学习框架，为动态可达的自车轨迹查询估计有界代价，而非密集 BEV 网格或少量回归轨迹。在 nuScenes 上，该方法碰撞率优于 ST-P3、NMP 及多数回归基线，L2 保持竞争力；在真实驾驶日志上无需微调即比 SparseDrive 和 Alpamayo 降低碰撞率。该工作已被 ACCV 2026 接收。
来源：arXiv cs.AI · arxiv.org