提出Run-then-Walk两阶段GRPO奖励调度策略

Yuqi Ye 等研究者提出Run-then-Walk两阶段奖励调度策略，用于VLM自动驾驶规划的GRPO强化学习训练：先用Run阶段激进探索高进度、摆脱保守偏置，再用Walk阶段引入终点和安全奖励修复不安全行为。作者称该方法在NAVSIMv1、NAVSIMv2、Navhard、nuScenes等多个基准、多种VLM规划器上验证，取得更好驾驶性能，且比基线少用40–50%的RL训练轮次。

AI 根据报道生成 · 50 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。