研究人员发明RaWMPC框架使自动驾驶无需专家数据也能实现可靠决策

盖世汽车讯 随着模仿学习和大规模驾驶数据集的进步，端到端自动驾驶(E2E-AD)近年来取得了长足的进步。目前，基于模仿学习的方法已成为主流范式:模型依赖于专家提供的标准驾驶行为，并学习如何最小化自身行为与专家行为之间的差异。然而，这种“只像专家一样驾驶”的目标存在泛化能力有限的问题:当遇到专家示范分布之外的罕见或未曾见过的长尾场景时，由于缺乏先验经验，模型往往会做出不安全的决策。这就引出了一个根本性的问题:E2E-AD系统能否在没有任何专家行为监督的情况下做出可靠的决策？

据外媒报道，特伦托大学和中山大学(Sun Yat-sen University)共同提出了一个名为风险感知世界模型预测控制(Risk-aware World Model Predictive Control，RaWMPC)的统一框架，旨在通过鲁棒控制解决这一泛化难题，而无需依赖专家示范。