用户能否指定驾驶速度？Bench2Drive-Speed：面向期望速度条件自动驾驶的基准与基线研究

Can Users Specify Driving Speed? Bench2Drive-Speed: Benchmark and Baselines for Desired-Speed Conditioned Autonomous Driving

作者: Yuqian Shao, Xiaosong Jia, Langechuan Liu 等4人

arXiv: 2603.25672v1

分类: cs.RO, cs.CV

📝 论文摘要

端到端自动驾驶技术已取得显著进展，然而一个实用且重要的功能长期被忽视：用户可能希望自定义策略的期望速度，或指定是否允许自动驾驶车辆进行超车。为填补这一空白，我们推出Bench2Drive-Speed——一个包含评估指标、数据集与基准模型的期望速度条件化自动驾驶基准平台。我们在驾驶策略模型中引入了用户期望目标速度及超车/跟车指令的显式输入，设计了速度遵循度评分与超车评分等量化指标，用以衡量策略遵循用户指令的忠实程度，同时保持与传统自动驾驶评估指标的兼容性。为训练速度条件化策略，传统方法需采集严格遵循速度要求的专家示范数据，这在现实世界中成本高昂且难以扩展。另一种方案是通过将未来帧观测速度作为训练目标，对现有常规驾驶数据进行适应性改造。为此我们构建了包含2100段专家标注片段的定制化速度数据集，以系统研究监督策略的有效性。实验表明，经过适当重标注后，基于常规驾驶数据训练的模型性能与专家示范数据训练结果相当，这证明无需额外复杂现实数据采集即可实现速度监督。值得注意的是，虽然目标速度跟随功能可在不影响常规驾驶性能的前提下实现，但由于交互行为固有的复杂性，执行超车指令仍面临挑战。所有代码、数据集及基准模型均已开源：https://github.com/Thinklab-SJTU/Bench2Drive-Speed

📊 核心分析

🎯 研究动机

当前端到端自动驾驶(end-to-end autonomous driving)研究忽视了一个实用功能：用户希望自定义期望速度或指定是否允许超车。现有系统缺乏对用户速度偏好指令的响应能力，需要建立专门的基准来评估和开发此类条件化驾驶策略。

🔧 核心方法

1. 提出Bench2Drive-Speed基准，包含评估指标、数据集和基线模型 2. 引入显式的用户输入：期望目标速度和超车/跟随指令 3. 设计量化指标：速度遵循分数(Speed-Adherence Score)和超车分数(Overtake Score) 4. 构建CustomizedSpeedDataset（2,100个带专家标注的片段） 5. 探索两种监督策略：收集严格遵循速度要求的专家演示数据；将常规驾驶数据中未来帧的速度作为训练目标速度进行重新标注

💡 核心创新

1. 首次系统性地研究条件化速度控制自动驾驶问题，填补了用户可指定驾驶速度这一实用功能的空白 2. 提出专门用于评估速度条件化驾驶的基准和量化指标，同时保持与传统自动驾驶指标的兼容性 3. 证明通过重新标注常规驾驶数据（而非收集昂贵的新专家数据）即可有效训练速度条件化策略，大幅降低了数据收集成本 4. 揭示了超车指令执行比速度控制更具挑战性，因为涉及复杂的交互行为，这为未来研究指明了方向

🏆 总体贡献

1. 建立了首个用于期望速度条件化自动驾驶的完整基准系统（Bench2Drive-Speed），包含指标、数据集和基线 2. 提供了系统化的实验框架，比较了不同监督策略（专家演示 vs 重新标注数据）的效果 3. 实证表明速度条件化训练可以不损害常规驾驶性能，但超车指令执行仍需进一步研究 4. 开源了所有代码、数据集和基线模型，推动了该细分研究方向的发展