PAD: Policy-Aware Data Valuation for Autonomous Driving 封面
HuggingFace
论文2026-11-1…

PAD: Policy-Aware Data Valuation for Autonomous Driving

End-to-end autonomous driving increasingly depends on scaling training demonstrations, yet data growth does not guarantee proportional gains. However, additional data do not guarantee better policies: a demonstration th…

来源:HuggingFace Papers收录于 2026年11月21日

站内导读

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。

相关项目 · HuggingFace

查看全部「HuggingFace」项目 →