Diffusion-2BC：扩散与回归混合训练方法在自动驾驶评测中优于两基线

Bruno Maciel Machado 与 Eric Aislan Antonelo 提出 Diffusion-2BC，将扩散去噪目标与共享视觉编码器上的辅助确定性行为克隆损失结合，用于离线行为克隆的自动驾驶策略学习；辅助分支仅在训练阶段使用，推理仍基于扩散。 在 Claw 任务中，该方法平均掩码距离误差较基于扩散的行为克隆基线降低约 10%，较标准确定性行为克隆降低 85%；在 CARLA 无路线导航评测中，Town01 和 Town02 上的行驶距离均超过这两个基线。评测还涵盖有路线驾驶及从 Town01 到 Town02 的跨地图评估。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。