自动驾驶

HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving

HAD：结合分层扩散与度量解耦RL的端到端驾驶

Wenhao Yao, Xinglong Sun, Zhenxin Li, Shiyi Lan, Zi Wang, Jose M. Alvarez, Zuxuan Wu

机构 * Fudan University（复旦大学） ； NVIDIA（英伟达） 纠错

专题命中 端到端驾驶 ：end-to-end driving(title)；autonomous driving(abstract)；分类 cs.RO、cs.CV

AI总结 HAD提出一种端到端规划框架，结合分层扩散策略与度量解耦RL，通过结构保持轨迹扩展生成真实轨迹并提升驾驶目标优化效果，实验表明在NAVSIM和HUGSIM上取得新突破。

Comments 17 pages, 7 figures

LongTail Driving Scenarios with Reasoning Traces: The KITScenes LongTail Dataset

长尾驾驶场景与推理轨迹：KITScenes长尾数据集

Royden Wagner, Omer Sahin Tas, Jaime Villa, Felix Hauser, Yinzhe Shen, Marlon Steiner, Dominik Strutz, Carlos Fernandez, Christian Kinzig, Guillermo S. Guitierrez-Cabello, Hendrik Königshof, Fabian Immel, Richard Schwarzkopf, Nils Alexander Rack, Kevin Rösch, Kaiwen Wang, Jan-Hendrik Pauls, Martin Lauer, Igor Gilitschenski, Holger Caesar, Christoph Stiller

机构 * Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院） ； FZI Research Center for Information Technology（FZI信息技术研究中心） ； University Charles III of Madrid（马德里卡洛斯三世大学） ； Technical University of Madrid（马德里理工大学） ； University of Toronto（多伦多大学） ； Delft University of Technology（代尔夫特理工大学） 纠错

专题命中 端到端驾驶 ：self-driving(abstract)；end-to-end driving(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出KITScenes长尾数据集，通过多视角视频、轨迹、指令和推理轨迹提升模型在长尾驾驶场景下的泛化能力，评估指令遵循与语义连贯性。

Comments 21 pages; v2: update MMS values (bugfix)

The Blind Spot of Adaptation: Quantifying and Mitigating Forgetting in Fine-tuned Driving Models

适应的盲区：量化和缓解在微调驾驶模型中的遗忘

Runhao Mao, Hanshi Wang, Yixiang Yang, Qianli Ma, Jingmeng Zhou, Zhipeng Zhang

机构 * AutoLab, School of Artificial Intelligence, Shanghai Jiao Tong University（上海交通大学人工智能学院AutoLab实验室） 纠错

专题命中 端到端驾驶 ：autonomous driving(abstract)；分类 cs.CV

AI总结 本文首次系统研究驾驶模型中灾难性遗忘问题，提出Drive Expert Adapter框架，通过提示空间适应提升驾驶性能并保留通用能力。

Comments received by cvpr2026