深度分析
TAVIS基準:量化主動視覺在模仿學習中對性能與預期性凝視的貢獻
主動視覺在模仿學習中被視為提升操作能力的關鍵。本文介紹TAVIS基準,包含Head與Hands兩套任務、雙人形軀體與同步頭/固定攝影機比較。提出GALT指標量化預期凝視,並展示主動視覺於部分任務有助提升成功率且對分布轉移敏感。基準還提供ID/OOD切分與公開示例資料便於比較評估。
深度分析
主動視覺在模仿學習中被視為提升操作能力的關鍵。本文介紹TAVIS基準,包含Head與Hands兩套任務、雙人形軀體與同步頭/固定攝影機比較。提出GALT指標量化預期凝視,並展示主動視覺於部分任務有助提升成功率且對分布轉移敏感。基準還提供ID/OOD切分與公開示例資料便於比較評估。
端對端自駕
端對端自駕依賴模仿學習受示範限制。PaIR-Drive 以平行支路同時進行模仿與強化學習,避免策略漂移。實驗顯示其在 NAVSIM 基準上達到 91.2 PDMS 與 87.9 EPDMS,表現優於傳統微調。