当开车遭受变谈、加塞等场景时，驾驶员相同会下领路地激活我方的"安全驾驶念念维"体育游戏app平台，从而作念出激进的侧目举止。

与之近似，自动驾驶汽车在上述场景中，更会发挥得像个讷言敏行的"生手司机"，这是因为模子的有操办相同依赖于工程师预设的固定例则，进而导致"不求无功，但求无过"的驾驶格调，但过多的无故急刹、过度消散反而会激发格外的安全隐患。

针对上述问题，来自香港大学、英伟达和德国图宾根大学的和洽团队建议 Centaur（Cluster   Entropy for   Test-time trAining using   UnceRtainty）步地，省略动态地改善驾驶战术，通过在线的数据起程点，开脱了对预设端正的依赖，大幅提高了自动驾驶汽车在不笃定性场景中的相宜性与安全性。

Centaur 在测试推理流程中动态地拯救模子权重，相宜 OOD 场景，提高泛化武艺。模子哄骗 Cluster Entropy 动作自监督信号，并初度将 Test-Time Training（TTT）应用于端到端自动驾驶，幸免手动端正和老本函数，及时减少不笃定性并校阅瞻望，借由在线数据起程点结束了轨迹瞻望的可扩张性。

论文已上传 arXiv，代码、checkpoint 等行将开源。

控制不笃定性

相同来说，模子是奈何掂量我方输出不笃定性的？一种直不雅的步地是不雅察模子输出的划分情状，并基于"固定采样下，模子的输出标的越连合，越靠近模子的最高置信度"的假定，来计较模子输出的聚类进度，从而侧面掂量出模子输出的不笃定性。

Cluster Entropy 通过轨迹采样、聚类和熵计较来评估自动驾驶模子的不笃定性。比拟传统的步地，它统一了直行、渺小右转、剧烈右转、渺小左转和剧烈右转的举止聚类，使得不笃定性料想更具可解说性。举例，当模子靠近复杂的交叉路口时，Cluster Entropy 能直不雅反馈不同驾驶有操办的不笃定性，从而匡助优化自动驾驶系统的安全性。

边行驶边进化

TTT 在推理流程中哄骗 Cluster Entropy 动作自监督观念，通过梯度优化让模子自相宜地拯救特征表征，从而提高对 OOD 场景的相宜武艺。

具体而言，模子通过计较 Cluster Entropy，判断现时环境的 OOD 级别。要是模子对现时环境的领路较差，则触发 TTT 检修流程，通过梯度下跌对特征索求网罗进行小幅度更新，使其更相宜现时环境特征划分。这一步地使得 Centaur省略在推理时自相宜地优化本身，在 OOD 场景中保捏厚实的感知和驾驶武艺，而无需依赖固定例则或东谈主工联想的老本函数。

实测接近东谈主类驾驶水平，安全性能全面提高

在 navtest 基准测试中，Centaur 的空洞贪图与驾驶方针得分（PDMS）获得了92.6%的得益，远远杰出了基于回退的步地，并接近东谈主类驾驶水平 。此外，Centaur 在碰撞幸免和碰撞时辰等要道方针上亦发挥出不凡的性能。

为了更好地评估自动驾驶系统在安全要道场景中的发挥，咱们建议了navsafe 数据集，挑升用于测试端到端驾驶步地的安全性和鲁棒性。它基于 navtest，并统一了真正的事故数据，通过细粒度的评分机制，量化了自动驾驶模子的不同驾驶武艺，而不像 navtest 只提供全体分数。

此外，Cluster Entropy 动作不笃定性度量器具，结束了 PDMS 的显赫提高，并在失败检测任务中， 获得了最好着力。

论文地址：  https://arxiv.org/abs/2503.11650体育游戏app平台