来源：一宁小站

文章链接：https://mp\.weixin\.qq\.com/s/DBRPmE\-oeVzRxSxGh4zznQ

论文：DriveMLP: When Training Strategy Outperforms Model Complexity in Autonomous Driving

作者：Alessandro Canevaro、Julian Schmidt、Hang Yu、Ye Jin、Sajad Marvi、Georg Martius、Julian Jordan

单位：Mercedes-Benz、图宾根大学、卡尔斯鲁厄理工学院、慕尼黑工业大学、弗赖堡大学

链接：https://arxiv\.org/abs/2610\.29676 ，2026 年 10 月 21 日发布；已被 CoRL 2026 接收。

说明：本文由 AI 辅助完成、笔者校对整理，主要介绍问题、思想和核心方法，不追求呈现所有细节。

来源：一宁小站文章链接：https://mp\.weixin\.qq\.com/s/DBRPmE\-oeVzRxSxGh4zznQ论文：DriveMLP: When Training Strategy Outperforms Model Complexity in Autonomous Driving作者：Alessandro Canevaro、Julian Schmidt、Hang Yu、Ye Jin、Sajad Marvi、Georg Martius、Julian Jordan单位：Mercedes-Benz、图宾根大学、卡尔斯鲁厄理工学院、慕尼黑工业大学、弗赖堡大学链接：https://arxiv\.org/abs/2610\.29676 ，2026 年 10 月 21 日发布；已被 CoRL 2026 接收。说明：本文由 AI 辅助完成、笔者校对整理，主要介绍问题、思想和核心方法，不追求呈现所有细节。
这篇论文研究的是：能否利用已有专家数据，通过简单的闭环训练，让轻量规划器获得较强的驾驶能力；训练方式的改进，能否比继续增加网络复杂度带来更大收益？

开环行为克隆主要在专家经过的状态上学习。模型实际驾驶时，控制误差会改变后续状态，逐渐将车辆带到训练数据覆盖不足的位置。已有方法通过专家纠正或强化学习缓解这一问题，但可能需要在线专家、复杂奖励或额外训练阶段。

本文选择直接从日志专家轨迹构造奖励，让策略通过 RL 学习应对自身执行偏差，再用控制实验检验：这样的训练方式，能否使简单网络达到复杂规划器的表现？

本文有两个相互支撑的重点：构建简单的专家引导闭环训练方案，以及检验训练方式对性能的影响。

1、用专家轨迹评价执行结果，通过 RL 学习纠正偏差

作者将训练方式称为 Expert-Guided RL，EGRL，专家引导强化学习。

训练时，自车由当前策略控制，在车辆动力学下持续执行；周围参与者回放日志。每一步比较自车与日志专家在同一时刻的位置和速度，越接近专家，奖励越高，再通过 PPO 优化多步累计回报。

模型因此会经历自己造成的偏离状态，并学习哪些控制动作能够改善后续运动。相较于 DAgger 需要在新状态下查询专家纠正标签，EGRL 只使用已有专家轨迹评价结果，恢复动作由策略探索出来。这是它处理执行误差导致的分布偏移的基本方式，并非解决任意 OOD 场景的通用方法。

为使这一监督成立，其他参与者保持日志运动，让专家轨迹继续作为参照；偏离过大、碰撞或驶出道路时终止回合。奖励采用位置、速度偏差的指数映射，并根据专家位移调整位置误差尺度。消融表明，奖励形式会明显影响最终训练效果。

DriveMLP 用简单 MLP 编码地图、路线、周围参与者和自车状态，直接输出转向与加速度。整个策略单阶段训练，无需行为克隆预训练，也不依赖生成候选后的规则筛选。

2、固定或改变模型容量，检验收益来自哪里

作者首先固定 DriveMLP 架构，比较训练方式。在 nuPlan Val14 响应式评测上，BC、AIRL、BC-RL 和 EGRL 分别获得 32.36、58.74、78.05 和 86.51 分。相同网络采用不同训练方案，表现存在显著差异。

随后，作者将 MLP 从 11.2 万参数扩大到 870 万参数。各容量下，EGRL 相对 BC 的提升都约为 53–55 分；EGRL 自身则从 82.22 分提升至最高约 86.51 分，继续扩容未再改善。这支持：在所测范围内，改变训练方式的收益，明显大于单纯增加容量。

作者还将 EGRL 用于改造后的其他规划器编码骨干，也获得响应式性能提升，为训练方案的可迁移性提供了补充证据。

本文的贡献，一是将专家轨迹奖励与闭环 RL组成一套简单的训练方案，让策略无需在线专家纠正，也能学习应对自身执行偏差；二是通过训练方式对照和容量实验，展示了训练设计的重要性。

采用 EGRL 的 DriveMLP 约有 233 万参数，Val14-R 得分为 86.51，高于论文比较的 Flow Planner 的 83.31；相同测量条件下，推理约快 15 倍。

这些结果支持重新审视“性能提升主要依赖复杂模型”的思路。其证据范围仍是所测模型与仿真任务，尚不能推出训练方式普遍比模型、数据更重要，也没有直接证明 EGRL 优于具有强在线专家的 DAgger 系统。

原文链接: https://www.leiphone.com/category/private/DZrpjHUf1h9SRo1a.html