当开车碰到变谈、加塞等场景时，驾驶员往往会下融会地激活我方的"安全驾驶想维"，从而作念出激进的侧目步履。

与之一样，自动驾驶汽车在上述场景中，更会线路得像个谨言慎行的"生人司机"，这是因为模子的决议往往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、过度避开反而会激发独特的安全隐患。

针对上述问题，来自香港大学、英伟达和德国图宾根大学的王人集团队建议 Centaur（Cluster   Entropy for   Test-time trAining using   UnceRtainty）步伐，约略动态地改善驾驶计谋，通过在线的数据起始，开脱了对预设端正的依赖，大幅提高了自动驾驶汽车在不细目性场景中的合适性与安全性。

Centaur 在测试推理经由中动态地周折模子权重，合适 OOD 场景，培育泛化本事。模子左右 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，幸免手动端正和资本函数，及时减少不细目性并更正瞻望，借由在线数据起始竣事了轨迹瞻望的可彭胀性。

论文已上传 arXiv，代码、checkpoint 等行将开源。

独霸不细目性

时常来说，模子是如何估量我方输出不细目性的？一种直不雅的步伐是不雅察模子输出的漫衍情状，并基于"固定采样下，模子的输出场合越聚拢，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程，从而侧面估量出模子输出的不细目性。

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细目性。比拟传统的步伐，它衔尾了直行、轻飘右转、剧烈右转、轻飘左转和剧烈右转的步履聚类，使得不细目性忖度更具可诠释注解性。举例，当模子靠近复杂的交叉路口时，Cluster Entropy 能直不雅反应不同驾驶决议的不细目性，从而匡助优化自动驾驶系统的安全性。

边行驶边进化

TTT 在推理经由中左右 Cluster Entropy 动作自监督目的，通过梯度优化让模子自合适地周折特征表征，从而培育对 OOD 场景的合适本事。

具体而言，模子通过计较 Cluster Entropy，判断刻下环境的 OOD 级别。要是模子对刻下环境的交融较差，则触发 TTT 考试经由，通过梯度下落对特征索求网络进行小幅度更新，使其更合顺应前环境特征漫衍。这一步伐使得 Centaur约略在推理时自合适地优化自己，在 OOD 场景中保抓褂讪的感知和驾驶本事，而无需依赖固定例则或东谈主工遐想的资本函数。

实测接近东谈主类驾驶水平，安全性能全面培育

在 navtest 基准测试中，Centaur 的详细规划与驾驶目的得分（PDMS）获得了92.6%的收货，远远卓越了基于回退的步伐，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关节目的上亦线路出不凡的性能。

为了更好地评估自动驾驶系统在安全关节场景中的线路，咱们建议了navsafe 数据集，有益用于测试端到端驾驶步伐的安全性和鲁棒性。它基于 navtest，并衔尾了着实的事故数据，通过细粒度的评分机制，量化了自动驾驶模子的不同驾驶本事，而不像 navtest 只提供全体分数。

此外，Cluster Entropy 动作不细目性度量用具，竣事了 PDMS 的显耀培育，并在失败检测任务中， 获得了最好成果。

论文地址：  https://arxiv.org/abs/2503.11650开云kaiyun