Model reports

WorkIng

在高速公路施工区识别障碍并规划轨迹。先区分真实道路与仿真，再看仿真训练是否真的能迁移到真实测试集。

原论文官方仓库收录来源

AI Benchmark Radar / Equality Machine · 核对于 2026-11-03

2026 年 10 月 30 日提交的原论文 v1；11 月 3 日核查新增。主成绩限定固定的真实白天测试集，其他场景与任务分表展示。

施工区改变了什么？

临时车道、障碍和路牌同时考验感知与规划。WorkIng-Highway 使用六摄像头、128 线激光雷达和 RTK-GPS；WorkIng-CARLA 提供程序化施工场景。

WorkIng original paper v1

区分场景与数据划分

真实白天与夜间序列按不重叠子序列进行 80/10/10 训练、验证、测试划分，CARLA 留出城镇。夜间排除稀疏类别，仿真成绩也不对应同一评测样本群。

WorkIng original paper v1 · WorkIng · Table 4

主成绩使用一个明确范围

主成绩采用表 5 全部 15 个检测器／训练配置的白天 NDS。原文采用 0–100 刻度，且该版本省略 AAE。夜间、CARLA、检测误差和规划结果分别保留。

WorkIng original paper v1 · WorkIng · Table 5

先读训练数据标记

W 表示 WorkIng-Highway，D 表示 DrivIng，C 表示 WorkIng-CARLA。W+D+C 对仿真数据按场景分层采样；只用仿真训练不等于在仿真中测试。

WorkIng · Table 5 · WorkIng original paper v1

论文发布与可运行资源

论文已可读取。11 月 3 日核查时，作者 GitHub 仓库仅有 README 与 LICENSE，尚不能据此确认完整数据集、运行器或复现配置已公开。

WorkIng · author repository (release placeholder) · WorkIng original paper v1

表 4 · 域内检测

训练和测试均使用所标场景。

表 4 · 域内检测
Scene	Model	ATE ↓	ASE ↓	AOE ↓	mAP ↑	NDS ↑
Day	CenterPoint	0.21	0.18	0.07	0.76	79.40
Day	PETR	0.87	0.27	0.24	0.37	43.52
Day	BEVFusion	0.23	0.23	0.14	0.75	76.59
Night	CenterPoint	0.14	0.15	0.07	0.78	81.55
Night	PETR	0.87	0.18	0.06	0.33	44.04
Night	BEVFusion	0.22	0.25	0.20	0.78	77.71
CARLA	CenterPoint	0.05	0.15	0.06	0.97	94.65
CARLA	PETR	0.66	0.19	0.05	0.56	61.35
CARLA	BEVFusion	0.20	0.32	0.32	0.93	85.12

Day、Night、CARLA 对应不同测试样本群。mAP 为小数，NDS 为乘 100 后的分数。

WorkIng · Table 4

表 5 · 白天测试与训练来源

五种训练配置均在该场景的同一真实测试集上评测。

表 5 · 白天测试与训练来源
Model	Training	ATE ↓	ASE ↓	AOE ↓	mAP ↑	NDS ↑
CenterPoint	W	0.21	0.18	0.07	0.76	79.40
CenterPoint	D	0.22	0.24	0.31	0.45	55.81
CenterPoint	C	0.50	0.61	1.07	0.13	18.37
CenterPoint	W+D	0.14	0.18	0.18	0.78	79.70
CenterPoint	W+D+C	0.14	0.18	0.17	0.79	80.75
PETR	W	0.87	0.27	0.24	0.37	43.52
PETR	D	1.14	0.39	0.23	0.11	22.37
PETR	C	1.14	0.52	1.05	0.01	4.32
PETR	W+D	0.66	0.19	0.20	0.37	47.44
PETR	W+D+C	0.66	0.12	0.07	0.41	52.27
BEVFusion	W	0.23	0.23	0.14	0.75	76.59
BEVFusion	D	0.33	0.42	1.41	0.08	15.70
BEVFusion	C	0.78	0.73	0.64	0.14	19.05
BEVFusion	W+D	0.14	0.18	0.15	0.79	81.33
BEVFusion	W+D+C	0.12	0.13	0.08	0.83	84.98

仅白天 NDS 进入主成绩。W 行与表 4 重复，主成绩不重复计数。

WorkIng · Table 5

表 5 · 夜间测试与训练来源

五种训练配置均在该场景的同一真实测试集上评测。

表 5 · 夜间测试与训练来源
Model	Training	ATE ↓	ASE ↓	AOE ↓	mAP ↑	NDS ↑
CenterPoint	W	0.14	0.15	0.07	0.78	81.55
CenterPoint	D	0.60	0.43	0.30	0.45	48.90
CenterPoint	C	0.69	0.67	0.45	0.25	30.36
CenterPoint	W+D	0.14	0.14	0.05	0.83	85.53
CenterPoint	W+D+C	0.13	0.12	0.04	0.86	87.63
PETR	W	0.87	0.18	0.06	0.33	44.04
PETR	D	1.09	0.45	0.59	0.07	15.17
PETR	C	1.13	0.92	1.19	0.00	0.97
PETR	W+D	0.61	0.21	0.11	0.40	50.70
PETR	W+D+C	0.57	0.26	0.15	0.44	52.31
BEVFusion	W	0.22	0.25	0.20	0.78	77.71
BEVFusion	D	0.65	0.66	0.91	0.24	24.50
BEVFusion	C	0.76	0.70	0.59	0.19	23.82
BEVFusion	W+D	0.16	0.19	0.14	0.82	82.76
BEVFusion	W+D+C	0.15	0.14	0.11	0.88	87.69

仅白天 NDS 进入主成绩。W 行与表 4 重复，主成绩不重复计数。

WorkIng · Table 5

表 6 · 独立 ROADWork 迁移测试

这是 ROADWork 上的二维掩码识别，不是 WorkIng 三维主指标。

表 6 · 独立 ROADWork 迁移测试
Training / provenance	Model	AP	AP50	AP75	APS	APM	APL
Zero-shot foundation models	OpenSeeD	2.9	5.8	2.5	1.3	2.8	4.0
Zero-shot foundation models	Detic	4.2	6.3	4.6	2.1	5.5	6.0
Zero-shot foundation models	OMG-LLaVA	0.2	0.3	0.2	0.0	0.1	0.8
Train: C (WorkIng-CARLA only)	Mask R-CNN	4.13	5.07	4.23	2.74	3.48	5.12
Train: C (WorkIng-CARLA only)	Mask DINO	5.65	8.82	5.05	2.49	4.46	7.44
Train: R (ROADWork only)	Mask R-CNN	30.23	49.30	32.41	17.09	32.78	42.60
Train: R (ROADWork only)	Mask DINO	38.01	55.70	41.76	19.20	38.12	51.27
Train: C+R (combined)	Mask R-CNN	35.56	50.65	34.42	19.58	33.74	39.39
Train: C+R (combined)	Mask DINO	43.15	59.73	44.01	21.02	43.47	47.54

均为掩码 AP（%）。三个零样本行引用自 ROADWork，WorkIng 未重新运行；其余行在每个架构内使用一致训练配方。

WorkIng · Table 6

表 7 · 真实日志上的开环规划

日志重放中的车辆不会响应新计划。两个 tiny 规划器均使用作者的摄像头与激光雷达改造版，并移除 HD 地图分支。

表 7 · 真实日志上的开环规划
Scene	Model	L2 0.5s (m)	L2 1s (m)	L2 2s (m)	L2 avg (m)	Collision 0.5s (%)	Collision 1s (%)	Collision 2s (%)	Collision avg (%)
Day	UniAD_tiny	0.23	0.55	1.45	0.74	0.11	0.33	5.97	2.14
Day	VAD_tiny	0.18	0.43	1.25	0.62	0.14	0.34	5.13	1.87
Night	UniAD_tiny	0.37	0.70	1.63	0.90	0.85	0.88	4.84	2.19
Night	VAD_tiny	0.35	0.86	1.60	0.94	0.85	0.88	4.76	2.16

两类指标均越低越好；不能解释为反应式驾驶成功率。

WorkIng · Table 7 · WorkIng original paper v1

表 8 · CARLA 反应式规划

作者在 85 条路线上的单次闭环运行结果；论文未把 Driving Score 相差 0.02 解读为确定排名。

表 8 · CARLA 反应式规划
Model	L2 0.5s (m)	L2 1s (m)	L2 2s (m)	L2 avg (m)	Collision 0.5s (%)	Collision 1s (%)	Collision 2s (%)	Collision avg (%)	DS ↑	RC ↑	IP ↑
UniAD_tiny	0.23	0.48	1.34	0.68	0.23	0.75	2.84	1.27	0.63	0.80	0.79
VAD_tiny	0.25	0.54	1.19	0.66	0.08	0.54	1.96	0.86	0.65	0.76	0.85

DS 为驾驶得分，RC 为路线完成，IP 为违规惩罚因子。模型仅使用 WorkIng-CARLA 训练。

WorkIng · Table 8

表 9 · 规划向真实数据迁移

训练采用 W、C 或 W+C，真实测试集保持不变。

表 9 · 规划向真实数据迁移
Training	UniAD day L2 (m)	UniAD night L2 (m)	UniAD day collision (%)	UniAD night collision (%)	VAD day L2 (m)	VAD night L2 (m)	VAD day collision (%)	VAD night collision (%)
W	0.74	0.90	2.14	2.19	0.62	0.94	1.87	2.16
C	7.57	8.13	6.98	5.51	8.32	9.33	6.78	5.82
W+C	0.66	0.84	1.17	1.65	0.53	0.83	1.09	1.78

数值平均了 0.5/1.0/2.0 秒三个时域，越低越好。

WorkIng · Table 9

表 12 · 分类检测结果

保留作者表中的每个类别，不把排除的类别改记为零。

表 12 · 分类检测结果
Scene	Model	Car	Truck	Bus	Trailer	Barrier	Motorcycle	Pedestrian	Total
Day	CenterPoint	0.95	0.89	0.37	0.87	0.86	0.68	0.71	0.76
Day	PETR	0.60	0.47	0.18	0.39	0.39	0.45	0.12	0.37
Day	BEVFusion	0.95	0.85	0.37	0.83	0.80	0.80	0.64	0.75
Night	CenterPoint	0.88	0.87	-	0.44	0.92	-	-	0.78
Night	PETR	0.43	0.57	-	0.01	0.30	-	-	0.33
Night	BEVFusion	0.93	0.85	-	0.42	0.90	-	-	0.78
CARLA	CenterPoint	0.99	0.98	0.99	-	0.88	0.98	0.98	0.97
CARLA	PETR	0.64	0.52	0.53	-	0.65	0.55	0.49	0.56
CARLA	BEVFusion	0.97	0.95	0.94	-	0.82	0.96	0.92	0.93

所有成绩为小数 mAP；横杠表示排除或缺失类别。

WorkIng · Table 12

原始发布

2026 年 10 月 30 日提交的原论文 v1；11 月 3 日核查新增。主成绩限定固定的真实白天测试集，其他场景与任务分表展示。

核对于 2026-11-03

已收录的评测资料

这条来源记录收录了 15 条数值成绩。来源区分了 3 个模型身份或配置。同一模型可能有多条记录；比较前请核对具体版本、工具和运行预算。查看成绩及逐条证据 →

报告指标: WorkIng-Highway DAY test NDS
原始单位: points
指标方向: 数值越高越好

从这些资料开始

收录来源 · arxiv.org

引用文档及日期（1）

WorkIng paper v1 · reported benchmark results · 2026-10-30

评测信息与证据

来源: Model reports
发布者: 未收录
评测发布日期: 2026-10-30
采集日期: 未收录
模态: 未收录

本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。

报告成绩 15

按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。

模型	数值	单位	协议	报告日期与口径	来源
CenterPoint	18.37	points	Table 5; fixed WorkIng-Highway DAY test split; training=C (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); LiDAR-only, single sweep, 100m x 100m grid, voxel (0.1,0.1,0.2)m, 25 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
BEVFusion	19.05	points	Table 5; fixed WorkIng-Highway DAY test split; training=C (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-LiDAR fusion, Swin-Tiny, VoxelNet voxel (0.075,0.075,0.2)m, 50 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
PETR	4.32	points	Table 5; fixed WorkIng-Highway DAY test split; training=C (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-only, V2-99-eSE, 384x960 input, 75 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
CenterPoint	55.81	points	Table 5; fixed WorkIng-Highway DAY test split; training=D (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); LiDAR-only, single sweep, 100m x 100m grid, voxel (0.1,0.1,0.2)m, 25 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
BEVFusion	15.7	points	Table 5; fixed WorkIng-Highway DAY test split; training=D (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-LiDAR fusion, Swin-Tiny, VoxelNet voxel (0.075,0.075,0.2)m, 50 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
PETR	22.37	points	Table 5; fixed WorkIng-Highway DAY test split; training=D (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-only, V2-99-eSE, 384x960 input, 75 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
CenterPoint	79.4	points	Table 5; fixed WorkIng-Highway DAY test split; training=W (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); LiDAR-only, single sweep, 100m x 100m grid, voxel (0.1,0.1,0.2)m, 25 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
BEVFusion	76.59	points	Table 5; fixed WorkIng-Highway DAY test split; training=W (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-LiDAR fusion, Swin-Tiny, VoxelNet voxel (0.075,0.075,0.2)m, 50 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
PETR	43.52	points	Table 5; fixed WorkIng-Highway DAY test split; training=W (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-only, V2-99-eSE, 384x960 input, 75 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
CenterPoint	79.7	points	Table 5; fixed WorkIng-Highway DAY test split; training=W+D (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); LiDAR-only, single sweep, 100m x 100m grid, voxel (0.1,0.1,0.2)m, 25 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
BEVFusion	81.33	points	Table 5; fixed WorkIng-Highway DAY test split; training=W+D (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-LiDAR fusion, Swin-Tiny, VoxelNet voxel (0.075,0.075,0.2)m, 50 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
PETR	47.44	points	Table 5; fixed WorkIng-Highway DAY test split; training=W+D (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-only, V2-99-eSE, 384x960 input, 75 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
CenterPoint	80.75	points	Table 5; fixed WorkIng-Highway DAY test split; training=W+D+C (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); LiDAR-only, single sweep, 100m x 100m grid, voxel (0.1,0.1,0.2)m, 25 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
BEVFusion	84.98	points	Table 5; fixed WorkIng-Highway DAY test split; training=W+D+C (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-LiDAR fusion, Swin-Tiny, VoxelNet voxel (0.075,0.075,0.2)m, 50 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results
PETR	52.27	points	Table 5; fixed WorkIng-Highway DAY test split; training=W+D+C (W=WorkIng-Highway; D=DrivIng; C=WorkIng-CARLA); camera-only, V2-99-eSE, 384x960 input, 75 epochs; nuScenes adapted NDS x100 excludes AAE; W+D+C samples 1/8 CARLA frames per scenario; not night or CARLA-test performance	2026-10-30 · document_publication	WorkIng paper v1 · reported benchmark results

施工区改变了什么？

区分场景与数据划分

主成绩使用一个明确范围

先读训练数据标记

论文发布与可运行资源

表 4 · 域内检测

表 5 · 白天测试与训练来源

表 5 · 夜间测试与训练来源

表 6 · 独立 ROADWork 迁移测试

表 7 · 真实日志上的开环规划

表 8 · CARLA 反应式规划

表 9 · 规划向真实数据迁移

表 12 · 分类检测结果

原始发布

已收录的评测资料

从这些资料开始

评测信息与证据

报告成绩 15

相关评测探索

继续阅读

五个新评测详情：Agent 安全、云运维与视频理解

六个新评测详情：上下文、Agent 与可执行任务

Navers Lab / Einsia：六个评测分别测什么

AI 评测与排行榜，分别告诉你什么

怎样比较 AI 评测成绩，避免混用评测口径

四个新 Agent 评测：适应变化、安全执行与视频交付

继续探索