中文 定位 PAD 是一套面向端到端自动驾驶的策略感知数据价值评估框架,不再盲目堆数据,而是按每条示范对目标驾驶策略的实际效用打分,挑出真正有用的训练样本,用更少数据训出更好策略。 核心能力
- 结合场景校准反馈与投影策略梯度评估样本效用
- 同一候选池在不同规划器下价值排序差异显著
- 在 DiffusionDrive 上 NavTest 提升 3.5 分,NavHard 提升 5.0 分
- 覆盖扩散、回归与流匹配三类规划器均优于全量训练
适用人群 做端到端自动驾驶数据筛选与训练的研究者,以及想用更少数据训出更好驾驶策略的自动驾驶团队。 注意 论文以 DiffusionDrive 与 NavTest、NavHard 为验证场景,换用其他规划器或数据集时效果需重新验证;方法依赖对目标策略的梯度信息。
日本語 概要 PAD は、エンドツーエンド自動運転のための方策を意識したデータ価値評価フレームワークです。データを闇雲に増やすのではなく、各デモが対象の運転方策にどれだけ役立つかを評価し、本当に有用な学習サンプルだけを選びます。 主な機能
- シーン較正フィードバックと投影方策勾配を組み合わせて効用を評価
- 同じ候補プールでもプランナーが変わると価値の順位が大きく変わる
- DiffusionDrive で NavTest が 3.5 ポイント、NavHard が 5.0 ポイント向上
- 拡散・回帰・フローマッチングの 3 種プランナーで全量学習を上回る
こんな人におすすめ エンドツーエンド自動運転のデータ選別と学習を研究する人、少ないデータでより良い運転方策を学習したい自動運転チームに向いています。 注意点 検証は DiffusionDrive と NavTest、NavHard のシナリオに基づいており、他のプランナーやデータセットでは効果の再検証が必要です。手法は対象方策の勾配情報に依存します。
한국어 개요 PAD는 엔드투엔드 자율주행을 위한 정책 인식 데이터 가치 평가 프레임워크입니다. 데이터를 무작정 늘리는 대신 각 시연이 목표 주행 정책에 얼마나 유용한지 평가해 진정으로 유용한 학습 샘플만 골라냅니다. 핵심 기능
- 장면 보정 피드백과 투영 정책 기울기를 결합해 샘플 효용 평가
- 동일한 후보 풀도 플래너에 따라 가치 순위가 크게 달라짐
- DiffusionDrive에서 NavTest 3.5점, NavHard 5.0점 향상
- 확산, 회귀, 플로우 매칭 세 가지 플래너 모두에서 전체 학습을 상회
이런 분께 추천 엔드투엔드 자율주행 데이터 선별과 학습을 연구하는 사람, 더 적은 데이터로 더 나은 주행 정책을 학습하려는 자율주행 팀에 적합합니다. 주의사항 검증은 DiffusionDrive와 NavTest, NavHard 시나리오를 기반으로 하며 다른 플래너나 데이터셋에서는 효과를 다시 검증해야 합니다. 이 방법은 목표 정책의 기울기 정보에 의존합니다.
English What it is PAD, Policy-Aware Data Valuation, is a framework for end-to-end autonomous driving that assigns each candidate demonstration a utility specific to the target driving policy. Instead of accumulating data indiscriminately, it measures which demonstrations actually help the policy, so training can focus on the samples that matter. Key capabilities
- Combines scene-level calibration feedback with projected policy gradients and local training geometry
- Shows that the same candidate pool ranks very differently across planner families
- On DiffusionDrive, improves EPDMS by 3.5 points on NavTest and 5.0 points on NavHard over real-only training
- Outperforms both real-only and full-pool training across diffusion, regression, and flow-matching planners
Who it is for Researchers working on data curation and training for end-to-end autonomous driving, and autonomous-driving teams that want more efficient scaling by training on less, better-chosen data. Caveats Results are validated on DiffusionDrive with the NavTest and NavHard benchmarks, so other planners or datasets need their own verification. The method depends on gradient information from the target policy, which must be available to value the data.