RALAD: Bridging the Real-to-Sim Domain Gap in Autonomous Driving with Retrieval-Augmented Learning

本研究提出了一种新颖的检索增强学习框架（RALAD），旨在解决自动驾驶模型在不同环境中的适应性问题，特别是在极端天气条件下。通过优化的最优传输方法和高效微调技术，RALAD有效降低了真实与模拟场景之间的域差距，提升了模拟环境中的性能，同时保持了真实场景的准确性，显著降低了重训练成本。