当开车遭受变谈、加塞等场景时希威社 姐妹花，驾驶员常常会下订立地激活我方的"安全驾驶念念维"，从而作念出激进的遁藏行动。

与之一样，自动驾驶汽车在上述场景中，更会发达得像个步步为营的"生手司机"，这是因为模子的有筹谋常常依赖于工程师预设的固定例则，进而导致"不求无功，但求无过"的驾驶作风，但过多的无故急刹、过度躲避反而会激发异常的安全隐患。

针对上述问题，来自香港大学、英伟达和德国图宾根大学的相接团队提倡 Centaur（Cluster   Entropy for   Test-time trAining using   UnceRtainty）法式，大致动态地改善驾驶计谋，通过在线的数据运行，解脱了对预设法则的依赖，大幅提高了自动驾驶汽车在不细目性场景中的合乎性与安全性。

Centaur 在测试推理历程中动态地调度模子权重，合乎 OOD 场景，普及泛化才调。模子运用 Cluster Entropy 手脚自监督信号，并初度将 Test-Time Training（TTT）应用于端到端自动驾驶，幸免手动法则和资本函数，及时减少不细目性并修订展望，借由在线数据运行已毕了轨迹展望的可推广性。

论文已上传 arXiv，代码、checkpoint 等行将开源。

独霸不细目性

时常来说，模子是如何估量我方输出不细目性的？一种直不雅的法式是不雅察模子输出的散播景况，并基于"固定采样下，模子的输出标的越集聚，越靠近模子的最高置信度"的假定，来斟酌模子输出的聚类进度，从而侧面估量出模子输出的不细目性。

Cluster Entropy 通过轨迹采样、聚类和熵斟酌来评估自动驾驶模子的不细目性。比较传统的法式，它联接了直行、细小右转、剧烈右转、细小左转和剧烈右转的行动聚类，使得不细目性预计更具可诠释性。举例，当模子濒临复杂的交叉路口时，Cluster Entropy 能直不雅响应不同驾驶有筹谋的不细目性，从而匡助优化自动驾驶系统的安全性。

边行驶边进化

TTT 在推理历程中运用 Cluster Entropy 手脚自监督主义，通过梯度优化让模子自合乎地调度特征表征，从而普及对 OOD 场景的合乎才调。

具体而言，模子通过斟酌 Cluster Entropy，判断面前环境的 OOD 级别。若是模子对面前环境的清晰较差，则触发 TTT 磨真金不怕火历程，通过梯度下跌对特征索要网罗进行小幅度更新，使其更合乎面前环境特征散播。这一法式使得 Centaur大致在推理时自合乎地优化自己，在 OOD 场景中保抓褂讪的感知和驾驶才调，而无需依赖固定例则或东谈主工遐想的资本函数。

实测接近东谈主类驾驶水平，安全性能全面普及

在 navtest 基准测试中，Centaur 的空洞连系与驾驶目的得分（PDMS）获得了92.6%的得益，远远超越了基于回退的法式，并接近东谈主类驾驶水平 。此外，Centaur 在碰撞幸免和碰撞时分等重要目的上亦发达出迥殊的性能。

为了更好地评估自动驾驶系统在安全重要场景中的发达，咱们提倡了navsafe 数据集，特意用于测试端到端驾驶法式的安全性和鲁棒性。它基于 navtest，并联接了真正的事故数据，通过细粒度的评分机制，量化了自动驾驶模子的不同驾驶才调，而不像 navtest 只提供合座分数。

此外，Cluster Entropy 手脚不细目性度量器具，已毕了 PDMS 的权臣普及，并在失败检测任务中， 获得了最好后果。

论文地址：  https://arxiv.org/abs/2503.11650希威社 姐妹花