自动驾驶首次应用测试时计算！港大英伟达等新技术让AI边开边学，无人车遇变道自如应对

主要观点总结

文章主要介绍了Centaur方法，该方法由香港大学、英伟达和德国图宾根大学的联合团队提出，旨在改善自动驾驶汽车的驾驶策略。Centaur方法能够动态地调整模型权重，适应不确定性场景，提高自动驾驶汽车在变道、加塞等场景中的适应性与安全性。通过在线数据驱动，摆脱了对预设规则的依赖，在测试推理过程中采用Cluster Entropy来评估模型的不确定性，并在实际测试中取得了接近人类驾驶水平的性能表现。

关键观点总结

关键观点1: Centaur方法的提出背景和重要性

自动驾驶汽车在面对变道、加塞等场景时，往往表现得像新手司机，过多无故急刹、过度避让会引发安全隐患。Centaur方法能够动态改善驾驶策略，提高适应性与安全性。

关键观点2: Centaur方法的核心特点

Centaur方法通过在线的数据驱动，动态地调整模型权重，摆脱对预设规则的依赖。采用Cluster Entropy评估模型的不确定性，并在测试推理过程中使用Test-Time Training（TTT）应用于端到端自动驾驶，实时减少不确定性并改进预测。

关键观点3: Cluster Entropy的作用和优势

Cluster Entropy通过轨迹采样、聚类和熵计算评估自动驾驶模型的不确定性，具有可解释性。它结合不同的驾驶行为聚类，帮助优化决策，提高自动驾驶系统的安全性。

关键观点4: TTT在推理过程中的应用

TTT利用Cluster Entropy作为自监督目标，在推理过程中判断环境的OOD级别，触发训练过程，自适应地调整特征表征，提升模型对OOD场景的适应能力。

关键观点5: Centaur方法的实测表现和安全性提升

在navtest基准测试中，Centaur的PDMS得分达到92.6%，接近人类驾驶水平。此外，Centaur在关键指标如碰撞避免和碰撞时间上表现出卓越性能。通过提出navsafe数据集，专门用于测试端到端驾驶方法的安全性和鲁棒性。