AutoAgent0:用 VLM 做 agentic runtime,长尾场景成功率提升 28.3 个百分点
yining_hong · x · 2026-10-16
UCSD 等机构团队发布 AutoAgent0,一个面向安全闭环驾驶的 agentic runtime 框架。核心思路是:仅优化端到端驾驶策略不足以保证长尾场景下的安全执行,因此把传统的运行时监控重构为能判断「何时介入、如何恢复」的 agentic harness。
两大能力:
- 场景上下文精炼:利用 VLM 推理补全策略遗漏的关键场景信息,验证动作并在策略失效时触发干预;
- Agentic 恢复环路:用 VLM 引导的随机优化,迭代提出、验证并精炼可解释的恢复策略。
实证结果:在 Fail2Drive 与 NavSafe-∞ 基准上,对多个冻结的驾驶专家均提升闭环鲁棒性——长尾场景成功率 81.0%(较 SparseDriveV2 提升 28.3 个百分点),BridgeDrive + AutoAgent0 平均成功率 90.3%,三个 Fail2Drive 专家全部改善;代价是舒适度与行驶效率略降。论文、代码与演示已开放。
「具身」频道最新
- DynaRobotics CEO 中文访谈：部署与研究同步反馈的实战经验 — micoolcho · 2026-10-16
- 百度 Apollo 进军香港:逾千名东涌居民将免费试乘无人车 — Baidu_Inc · 2026-10-16
- Auki 演示多机器人共享空间上下文并用 AR 交互的新方案 — broodsugar · 2026-10-16
- 特斯拉 2-DOF 飞车变 6-DOF 飞行演示，研究员称控制难题低于人形 — micoolcho · 2026-10-16
- XREAL Aura 入选 TIME 年度发明：Gemini 驱动的轻量 XR 眼镜 — DuRuofei · 2026-10-16
- 港科大等推出 CarryOn:双循环框架让冻结 VLA 机器人助手更个性更安全 — Zixuan Wang · 2026-10-16