PPR-2601.05083
Paper
Driving on Registers
| id | |
|---|---|
| updated | |
| type | paper |
| title | Driving on Registers |
| authors | Ellington Kirby, A. Boulch, Yihong Xu, Yuan Yin, Gilles Puy, Eloi Zablocki |
| venue | arXiv:2601.05083 |
| arxiv | 2601.05083 |
| tier | 1 |
| lifecycle | EXTRACTED |
| epistemic | n/a |
| ingested | 2026-09-10 |
| version | arXiv:2601.05083v2 |
| source-hash | sha256:18ab5846de12fb8369a15f1bad70b3175c49c51e27f4d90d7e1490c833dd96c2 |
| admitted-under | A2-direct-edge |
| admission-note | 被 DA-WAM（PPR-2608.19085）列入 NAVSIM v1 对照表（CVPR'26），并被 CLOVER 引用。其“寄存器 token 压缩 + 打分器子分数”与 CLOVER 的评估器子分数设计相邻。 |
定位
Kirby 等（2026）提出 DrivoR（Driving on Registers），一个简洁高效的端到端驾驶 Transformer 架构。方法建立在预训练 ViT 之上，引入相机感知寄存器 token（camera-aware register tokens），把多相机特征压成紧凑场景表示，显著降低下游计算而不损精度；这些 token 驱动两个轻量 transformer 解码器，分别生成候选轨迹与对其打分。打分解码器学习模仿 oracle，预测可解释的子分数（安全、舒适、效率等），从而支持推理时的行为条件驾驶。论文报告在 NAVSIM v1、NAVSIM v2 与照片级闭环 HUGSIM 基准上匹配或超过强基线。
与本库的关系
- 准入身份：A2-direct-edge（被 DA-WAM、CLOVER 直接引用）。
- 谱系定位：候选生成 + 子分数打分线。与 CLOVER（PPR-2605.15120）的评估器子分数打分思路相近（DrivoR 模仿 oracle 子分数，CLOVER 拟合真实评估器子分数并闭环蒸馏生成器）；与 SparseDrive（PPR-2405.19620）的稀疏表示、PRIX（PPR-2507.17596）的仅相机设定在“表示如何压缩”上互为对照。评测锚定 BMK-006 与 HUGSIM（PPR-2412.01718）。
Provenance
- Tier-0 轻量 ingest（S2 元数据）：
version/source-hash占位（待补）。
关联（8）
- PPR-2405.19620 SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation
- PPR-2412.01718 HUGSIM: A Real-Time, Photo-Realistic and Closed-Loop Simulator for Autonomous Driving
- PPR-2507.17596 PRIX: Learning to Plan From Raw Pixels for End-to-End Autonomous Driving
- PPR-2605.15120 CLOVER: Closed-Loop Value Estimation and Ranking for End-to-End Autonomous Driving Planning
- BMK-006 NAVSIM non-reactive planning benchmark (v1 PDMS / v2 EPDMS two-stage)
- FRM-2601.05083 Driving on Registers 五层重建（骨架）：核心对象是极简纯 transformer 的端到端驾驶架构——以“相机感知的 register token”（每相机 R 个 register、得 N×R 个场景 token）把多相机特征压成紧凑场景表示、仅用 LoRA 微调预训练 ViT，再由两个轻量 transformer 解码器先生成候选轨迹、再模仿 oracle 打可解释子分数（安全/舒适/效率），从而支持推理期的行为条件驾驶。
- FRM-2605.15120 CLOVER 五层重建（骨架）：核心对象是生成器-打分器框架下的两阶段训练——Stage 1 用评估器过滤的伪专家做集合级覆盖监督，Stage 2 用评估器子分数做保守闭环自蒸馏（打分器拟合真实子分数、生成器向教师 top-k 与向量 Pareto 集合蒸馏加稳定性正则）；含一条作者命题（选中集合富集 → 高质量支撑提升）；公理层含训练-评估错配与『直接最大化学习标量分会利用打分器错误』。
- IDX-001 NAVSIM 规划线