Research KB 登录

PPR-2504.19580 Paper

ARTEMIS: Autoregressive End-to-End Trajectory Planning With Mixture of Experts for Autonomous Driving

id
updated
type paper
title ARTEMIS: Autoregressive End-to-End Trajectory Planning With Mixture of Experts for Autonomous Driving
authors Renju Feng, Ning Xi, Duanfeng Chu, Rukang Wang, Zejian Deng, Anzhen Wang
venue IEEE RA-L 2025 (arXiv:2504.19580)
arxiv 2504.19580
tier 1
lifecycle EXTRACTED
epistemic n/a
ingested 2026-09-10
version arXiv:2504.19580v2
source-hash sha256:3b0be09d5a7b12a96a66af8f33453a8bb3476d2fe36338e93edc9b698f0d672a
admitted-under A2-direct-edge
admission-note 被 DiffusionDriveV2（PPR-2512.07745）、DA-WAM（PPR-2608.19085）作为 NAVSIM 强对照直接引用。

定位

Feng 等（RA-L 2025）提出 ARTEMIS。论文的出发点是：模块化规划存在误差传播，而既有端到端模型多采用静态一次性推理，不能充分表达环境的动态变化。ARTEMIS 改为顺序生成轨迹 waypoint（自回归式），以保留轨迹内的时间依赖；同时引入专家混合（Mixture-of-Experts，MoE），按场景把查询动态路由到专门专家网络，以缓解在引导信息模糊时的轨迹质量退化，并克服单一网络结构处理多样场景的表征限制。训练侧提出轻量批重分配策略以显著加速 MoE 训练。论文报告在 NAVSIM 上具竞争力。

实验结果（摘要）

  • NAVSIM：86.9 PDMS（口径见 CPT-017）、83.1 EPDMS（论文自报，NAVSIM v2 表中 EC 项缺失，见 DA-WAM 引用表）。

与本库的关系

  • 准入身份：A2-direct-edge（被 DiffusionDriveV2、DA-WAM 直接引用）。
  • 谱系定位：生成式规划的结构分支（自回归 + MoE），与 DriveTransformer（PPR-2503.07656）的并行任务 query、Hydra-MDP（PPR-2406.06978）的多头打分在“模型容量如何按场景/指标分工”上互为对照。
  • 评测口径锚定 BMK-006。

Provenance

  • Tier-0 轻量 ingest（S2 元数据）：version/source-hash 占位（待补）。

关联（7）

  • PPR-2406.06978 Hydra-MDP: End-to-end Multimodal Planning with Multi-target Hydra-Distillation
  • PPR-2408.03601 DRAMA: An Efficient End-to-end Motion Planner for Autonomous Driving with Mamba
  • PPR-2503.07656 DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving
  • BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
  • FRM-2504.19580 ARTEMIS 五层重建（骨架）：核心对象是把规划建成逐点自回归的条件序列生成——每个 waypoint 由“规划时间嵌入 + 当前 ego 状态 + 历史规划查询”拼成的查询经带共享与私有专家的 MoE 块（配批量重分配加速）与 BEV 特征交互后、从预测的高斯分布采样得到；路由走内生场景特征而非驾驶命令，且刻意不用专家平衡损失；公理层含『命令分布不均衡且偶与专家轨迹不一致』与『只用当前 ego 状态以防因果混淆』。
  • CPT-017 PDM Score (PDMS)
  • IDX-001 NAVSIM 规划线