Hugging Face发布DriveZero:超越人类驾驶行为的新型自动驾驶系统
摘要:Hugging Face推出DriveZero,这是一款突破性端到端自动驾驶系统,通过超越人类驾驶行为的学习方式实现更智能的驾驶决策。DriveZero将驾驶任务分解为感知模型和动作模型,分别进行预训练并结合为一个端到端的规划器。其核心创新包括基于混合代理的闭环强化学习框架DriveRL,以及整合多个冻结视觉基础模型的感知模型DriveVFM。该系统在nuPlan和NAVSIM等基准测试中表现优异,展示了在复杂驾驶场景中的卓越性能。
核心突破
-
感知与动作分离训练:DriveZero将自动驾驶任务分解为感知模型(DriveVFM)和动作模型(DriveRL),分别进行预训练。感知模型整合了DINOv3、SigLIP2、SAM和Depth Anything V2等多个冻结视觉基础模型,而动作模型则采用混合代理的闭环强化学习框架。
-
混合代理闭环强化学习:DriveRL通过将真实驾驶日志转化为互动世界,并使用PPO算法进行闭环训练,实现了更高效的动作学习。这种方法能够提供多样化的、目标一致的监督信号,超越了传统基于日志回放的专家系统。
-
多模态感知整合:DriveVFM通过整合多个视觉基础模型,从原始图像中提取丰富的感知信息,无需特定任务的注释。这种方法提高了感知模型的泛化能力和鲁棒性。
-
超越人类的表现:在nuPlan基准测试中,DriveRL在Val14、Test14-hard和Test14-random社区分割中取得了93.57的平均分,超过了日志回放专家系统。在NAVSIMv1、NAVSIMv2和闭环HUGSIM基准测试中,DriveZero也表现出色,展示了其在复杂驾驶场景中的卓越性能。
技术亮点
- 混合代理强化学习:通过闭环强化学习,DriveZero能够从互动环境中学习更复杂的驾驶策略。
- 多模态感知整合:整合多个视觉基础模型,提升了感知模型的泛化能力和鲁棒性。
- 端到端规划器:将感知和动作模型结合为一个统一的规划器,实现了更高效的决策过程。
行业影响与开发者建议
DriveZero的出现标志着自动驾驶技术的一个重要里程碑。其创新的学习方法和强大的性能表现,为自动驾驶系统的开发提供了新的思路和工具。对于开发者而言,可以考虑以下建议:
- 探索混合代理强化学习:在自动驾驶系统中引入闭环强化学习,以提升系统的决策能力和适应性。
- 整合多模态感知信息:利用多模态感知模型,提高自动驾驶系统对复杂环境的感知能力。
- 关注端到端架构:尝试构建端到端的自动驾驶规划器,以实现更高效的决策过程。
—— 完 ——消息来源:Hugging Face Daily Papers (2026-09-05)
主题标签: #自动驾驶 #强化学习 #多模态感知 #Hugging Face #DriveZero
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区