研究者提出MD-Drive扩散驾驶推理模型

Shunming Liu 等提出面向自动驾驶的多阶段优化管线，并据此构建基于离散扩散的视觉-语言驾驶推理模型 MD-Drive，据论文所述相比未优化模型性能提升 29.7%。 该管线包括监督微调、带指标引导多样性过滤的强化学习，以及按场景复杂度自适应调整解码模式的 Dynamic Autonomous Driving Decoding（DAD），且不需要辅助动作专家或专用 MoE Transformer。 论文称，在 NAVSIM 闭环基准和 nuScenes、DriveCoT 开环数据集上，MD-Drive 的表现优于同架构的自回归 VLM 基线。

AI 根据报道生成 · 36 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。