点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近30个 方向 学习 路线 DRIVE 约束感知自动驾驶的动态规则推断与验证评估框架 斯坦福大学和微软提出了 DRIVE 框架，通过动态规则推断和验证评估技术，实现了自动驾驶中概率软约束 的学习与规划集成，在 inD、highD 和 RoundD 数据集上达成 0.0% 软约束违反率，并显著提升轨迹平滑性 与泛化能力。 主要贡献： 算法框架： 实验结果： 可视化： 论文标题：DRIVE: Dynamic Rule Inference and Verified Evaluation for Constraint-Aware Autonomous Driving 论文链接：https://arxiv.org/abs/2508.04066 代码：https://github.com/genglongling/DRIVE 1. 提出 DRIVE 框架，通过指数族似然建模从专家驾驶演示中学习概率性软约束，克服了传统方法依赖固 定约束形式或纯奖励建模的局限，实现了动态规则推理与轨迹级决策的紧密耦合。 2. 将学习到的约束分布嵌入凸优化规划模块，生成 ...