ZipDrift：一步漂移生成多模态MPC代价修正
热点事件历史事件
ZipDrift：一步漂移生成多模态MPC代价修正
1 篇报道1 个报道来源5 天前更新
先了解这件事
AI 综述
Ke Zhang 提出 ZipDrift，用一步漂移生成器学习短视距 MPC 的代价修正；训练只依赖候选修正的代价评估，不通过优化器反向传播。 在基于 ZipMPC 的运动学超车基准仿真中，53% 的情境为双模态，手工短视距 MPC 在 28.5% 的测试回合中碰撞。采用八维逐阶段修正后，ZipDrift 在全部 600 个测试回合中无碰撞，并匹配最佳评估候选；作为对照，理想化的 ZipMPC 式回归器碰撞率为 4.0%（专家标签不一致时为 16.0%），同等预算下按 critic 排序的随机候选碰撞率为 2.0%。 上述结果来自初步仿真研究，并非实车验证。
AI 根据报道生成 · 5 天前更新
最新进展11月5日 13:00
ZipDrift：用一步漂移模型生成多模态短视距 MPC 代价报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.ROZipDrift：用一步漂移模型生成多模态短视距 MPC 代价
ZipDrift 提出用一步漂移生成器学习短视距 MPC 的代价修正，只依赖候选修正的代价评估训练，不通过优化器反向传播。
本事件热度走势
- 可比范围当前
- 3
- 可比范围峰值
- 1011月5日 14:00
- 近 24 小时变化
- -49%
02.557.510
11月6日12:0011月7日12:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。