【复旦大学和英伟达】DriveSuprim：端到端规划中精确的轨迹选择

主要观点总结

本文提出了DriveSuprim，一种用于端到端自动驾驶规划的新框架，旨在解决基于选择的轨迹预测方法在精确性、鲁棒性和训练稳定性方面的关键挑战。通过由粗到精的候选过滤机制、基于旋转的数据增强以及自蒸馏训练策略，DriveSuprim显著提升了对相似轨迹的区分能力，并在NAVSIM v1和v2基准上实现了最先进的性能，展现出卓越的安全关键决策能力。

关键观点总结

关键观点1: 由粗到精的轨迹选择机制

DriveSuprim引入了一种由粗到精的选择范式，首先快速筛选出有希望的轨迹候选集，然后在最具挑战性的相似候选之间进行细粒度评分。该方法有效提升了模型在细微但安全关键差异（如避障距离、车道保持精度）上的分辨能力，尤其在罕见或复杂场景下表现突出。

关键观点2: 基于旋转的数据增强与自蒸馏训练

为提升模型在分布外场景（如急转弯）中的鲁棒性，本文提出结合基于旋转的数据增强和软标签自蒸馏的集成训练流程。旋转增强合成多样化且具挑战性的转向场景，而自蒸馏利用教师模型生成的软伪标签缓解硬决策边界问题，稳定训练过程并改善轨迹分布平衡。

关键观点3: 在NAVSIM基准上实现最先进性能

DriveSuprim在公开的NAVSIM v1和v2基准上均取得当前最优结果，分别达到93.5%的PDMS和87.1%的EPDMS，相比先前方法提升3.6%和1.5%。实验验证了其在多种驾驶场景中维持高轨迹质量的同时，具备更强的安全关键决策能力，特别是在避障和规则遵守方面表现优异。