当开车碰到变谈、加塞等场景时足球体育，驾驶员时常会下刚劲地激活我方的"安全驾驶念念维"，从而作念出激进的躲藏举止。

与之近似，自动驾驶汽车在上述场景中，更会推崇得像个严慎禁锢的"生手司机"，这是因为模子的有预备时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、过度躲闪反而会激发迥殊的安全隐患。

针对上述问题，来自香港大学、英伟达和德国图宾根大学的息争团队建议 Centaur（Cluster   Entropy for   Test-time trAining using   UnceRtainty）口头，大约动态地改善驾驶计谋，通过在线的数据运转，解脱了对预设轨则的依赖，大幅提高了自动驾驶汽车在不细目性场景中的妥贴性与安全性。

Centaur 在测试推理经由中动态地调节模子权重，妥贴 OOD 场景，提高泛化能力。模子行使 Cluster Entropy 当作自监督信号，并初次将 Test-Time Training（TTT）应用于端到端自动驾驶，幸免手动轨则和本钱函数，及时减少不细目性并改良瞻望，借由在线数据运转兑现了轨迹瞻望的可推广性。

论文已上传 arXiv，代码、checkpoint 等行将开源。

垄断不细目性

相似来说，模子是怎样预计我方输出不细目性的？一种直不雅的口头是不雅察模子输出的漫衍情状，并基于"固定采样下，模子的输出见地越衔尾，越靠拢模子的最高置信度"的假定，来计较模子输出的聚类进度，从而侧面预计出模子输出的不细目性。

Cluster Entropy 通过轨迹采样、聚类和熵计较来评估自动驾驶模子的不细目性。比较传统的口头，它结合了直行、渺小右转、剧烈右转、渺小左转和剧烈右转的举止聚类，使得不细目性估量更具可阐明性。举例，当模子濒临复杂的交叉路口时，Cluster Entropy 能直不雅反应不同驾驶有预备的不细目性，从而匡助优化自动驾驶系统的安全性。

边行驶边进化

TTT 在推理经由中行使 Cluster Entropy 当作自监督见地，通过梯度优化让模子自妥贴地调节特征表征，从而提高对 OOD 场景的妥贴能力。

具体而言，模子通过计较 Cluster Entropy，判断现时环境的 OOD 级别。要是模子对现时环境的清楚较差，则触发 TTT 检修经由，通过梯度下落对特征索取集合进行小幅度更新，使其更妥贴现时环境特征漫衍。这一口头使得 Centaur大约在推理时自妥贴地优化自己，在 OOD 场景中保捏褂讪的感知和驾驶能力，而无需依赖固定例则或东谈主工设想的本钱函数。

实测接近东谈主类驾驶水平，安全性能全面提高

在 navtest 基准测试中，Centaur 的综共预备与驾驶目的得分（PDMS）得回了92.6%的得益，远远杰出了基于回退的口头，并接近东谈主类驾驶水平 。此外，Centaur 在碰撞幸免和碰撞时期等环节目的上亦推崇出不凡的性能。

为了更好地评估自动驾驶系统在安全环节场景中的推崇，咱们建议了navsafe 数据集，特意用于测试端到端驾驶口头的安全性和鲁棒性。它基于 navtest，并结合了真是的事故数据，通过细粒度的评分机制，量化了自动驾驶模子的不同驾驶能力，而不像 navtest 只提供举座分数。

此外，Cluster Entropy 当作不细目性度量器具，兑现了 PDMS 的显耀提高，并在失败检测任务中， 得回了最好着力。

论文地址：  https://arxiv.org/abs/2503.11650足球体育