Onderzoekers hebben een nieuwe methode ontwikkeld voor end-to-end autonoom rijden die trajecten optimaliseert op basis van rijkwaliteit in plaats van statistische waarschijnlijkheid.
In een recent gepubliceerd wetenschappelijk document beschrijven Junjie Yang en collega's een innovatieve aanpak voor het genereren van rijtrajecten bij zelfrijdende voertuigen. De methode, die de naam QualiDrive draagt, probeert de manier waarop diffusiemodellen worden ingezet voor autonome navigatie fundamenteel te veranderen. Waar huidige systemen vaak trajecten genereren langs een as van Gaussiaanse ruis, stelt dit nieuwe model voor om het proces te organiseren langs een zogenaamde 'kwaliteitsas'.
Van waarschijnlijkheid naar nut
Binnen de huidige stand van de techniek worden diffusiemodellen veelvuldig gebruikt voor autonoom rijden. Echter, volgens de auteurs van het onderzoek arxiv.org behandelen bestaande planners de bruikbaarheid of het 'nut' van een rijtraject vaak slechts als een bijkomend signaal voor begeleiding of selectie. In de klassieke statistiek wordt de term 'likelihood' (waarschijnlijkheid) gebruikt om te bepalen hoe goed een parameter in een model rekening houdt met geobserveerde data, zoals uitgelegd door mathworld.wolfracom. De onderzoekers willen echter verschuiven van deze focus op waarschijnlijkheid naar een focus op het feitelijke nut van de gereden route.
QualiDrive werkt door scene-specifieke 'kwaliteitsladders' te construeren. Hierbij worden geobserveerde trajecten gerangschikt op basis van gemeten rijkwaliteit. Het model leert vervolgens om een proces van geordende degradatie om te keren. Dit betekent dat het systeem trajecten stapsgewijs verfijnt van een lage naar een hoge kwaliteit.
Werking en conditionering
Het proces van verfijning bij QualiDrive is niet willekeurig, maar is afhankelijk van specifieke variabelen. Elke stap in het omkeerproces wordt geconditioneerd op vier hoofdfactoren:
1. De specifieke verkeerssituatie (de scene).
2. De huidige staat van het eigen voertuig (ego state).
3. Het huidige traject.
4. Het beoogde kwaliteitsniveau.
Door deze parameters te combineren, kan het model trajecten progressief verbeteren richting een hogere standaard van rijkwaliteit. De onderzoekers concluderen in hun publicatie op dat diffusie in deze context niet simpelweg een proces van het verwijderen van ruis (denoising) is, maar een proces van kwalitatieve verfijning.
Prestaties op NAVSIM
Om de effectiviteit van QualiDrive te testen, is het model onderworpen aan evaluaties op NAVSIM. De resultaten tonen een sterke prestatie aan, met een score van 94,5 PDMS op versie 1 van de benchmark. Op versie 2 behaalde het model een score van 92,74 EPDMS, wat volgens de auteurs een state-of-the-art resultaat is.
Een opvallend detail uit de data is dat QualiDrive de Oracle EPDMS slechts marginaal verbeterde ten opzichte van supervisie die enkel op het eindpunt was gericht (een stijging van 98,52 naar 98,57). Desondanks is er een significante stijging te zien in het aandeel kandidaten die een zeer hoge score behalen. Het percentage trajecten met een EPDMS boven de 0,95 steeg van 12,94% naar 21,53%, terwijl de groep boven de 0,98 steeg van 9,71% naar 15,93%. Dit leidde uiteindelijk tot een verhoging van de geselecteerde EPDMS naar 92,74, zoals gedocumenteerd in de .
De publicatie, die op 26 september 2026 is ingediend, biedt hiermee een nieuw perspectief op hoe AI-gestuurde voertuigen kunnen leren om niet alleen een 'waarschijnlijke' route te kiezen, maar specifiek de meest kwalitatieve route voor de gegeven situatie.