DriveMind 用多假设信念跟踪提升闭环驾驶得分与成功率。
资讯摘要
论文提出 DriveMind，一种基于多模态大模型的驾驶框架，借鉴粒子滤波思路，在每一帧同时保留多个场景假设，通过 VLM 传播假设、按当前观测打分并重采样以维持多样性，避免模型在场景模糊时过早锁定单一解释。作者报告在 Bench2Drive 上，同一驾驶流程加入信念跟踪后 Driving Score 从 68.50 升至 81.37，Success Rate 从 41.36% 升至 54.09%。
要点速读
- DriveMind 同时维护多个场景假设，并随新帧更新各假设权重，而非每帧从零推理。
- 作者报告 Bench2Drive 上 DS 由 68.50 提升至 81.37，SR 由 41.36% 提升至 54.09%。
- 无信号路口（+20.0 DS）与对向车流交互（+20.5 DS）等模糊场景增益最大，并改善汇入、紧急制动与让行能力。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。