NuPlan: 一个基于闭环机器学习的自动驾驶规划基准

Jun, 2021

NuPlan: 一个基于闭环机器学习的自动驾驶规划基准

NuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles

Holger Caesar, Juraj Kabzan, Kok Seang Tan, Whye Kit Fong, Eric Wolff...

TL;DR本文提出了第一个基于机器学习的自动驾驶闭环规划基准测试，介绍了一个数据集、模拟器和规划特定度量的框架。数据集包含来自美国和亚洲四个城市的 1500 小时的人类驾驶数据，模拟器使用反应性代理程序，提供了大量的通用和特定场景的规划度量。

Abstract

In this work, we propose the world's first closed-loop ML-based planning benchmark for autonomous driving. While there is a growing body of ML-based motion planners, the lack of established datasets and metrics has limited the progress in this area. Existing benchmarks for autonomous v

ml-based planning benchmark autonomous driving motion-planning-specific metrics driving dataset closed-loop simulation framework

发现论文，激发创造

基于学习的规划：nuPlan 实际自动驾驶基准

机器学习已在自动驾驶的感知和预测任务中取代了传统的手工方法，但在规划任务中，基于机器学习的技术采纳速度较慢。本文介绍了世界上第一个真实世界的自动驾驶数据集和基准测试，旨在测试基于机器学习的规划器处理多样化行驶场景并做出安全高效决策的能力。数据集包括 1282 小时来自 4 个城市（拉斯维加斯、波士顿、匹兹堡和新加坡）的多样化驾驶场景，并且具有高质量的自动标记的物体轨迹和红绿灯数据。除了数据集之外，还提供了一个模拟和评估框架，使规划器的行动可以在闭环中模拟，以考虑与其他交通参与者的交互。该研究详细分析了多个基准测试，并研究了基于机器学习和传统方法之间的差距。在 nuplan.org 网站上可以找到 nuPlan 数据集和代码。

Mar, 2024

车辆运动规划能否泛化到现实世界长尾情景？

通过一个新的闭环评估基准测试 interPlan，本文评估了现有的最先进的规则和学习驱动的规划器，并展示了它们都无法安全地导航 interPlan 场景。同时，本文还引入了一种基于大型语言模型 (LLM) 的行为规划器和基于规则的运动规划器的混合规划器，该混合规划器在我们的基准测试上达到了最先进的性能。

Apr, 2024

学习型车辆运动规划的误解分析

nuPlan 提供了第一个大规模实际数据集和评估计划，对于需要精确的短期规划和长期本体预测，现有系统难以同时满足这两个要求，我们提出了一种基于规则的简单而高效的策划方法，从而在 nuPlan 计划挑战中赢得了胜利。

Jun, 2023

自适应世界模型的自动驾驶规划

模型预测控制基于 BehaviorNet 的 AdaptiveDriver 在 nuPlan 闭环规划基准中取得了最先进的结果，将测试误差从 6.4％降低到 4.6％，即使应用于以前未见的城市。

Jun, 2024

重新思考在 NuScenes 中终端到终端自主驾驶的开环评估

本论文重新评估了自动驾驶系统在三个主要任务中规划任务的评估方法，并设计了一种基于 MLP 的方法，仅使用原始传感器数据直接输出自车未来轨迹，在 nuScenes 数据集上实现了最先进的端到端规划性能，降低了约 30％的平均 L2 错误。同时，提供了对 nuScenes 数据集成功规划任务的关键因素进行深入分析，并提出了需要重新思考的问题。

May, 2023

自主驾驶中基于模仿的规划器的再思考

基于模仿的驾驶规划者在最近几年取得了相当大的成功。然而，由于缺乏标准化的基准，各种设计的有效性仍然不清楚。新发布的 nuPlan 解决了这个问题，提供了一个大规模的真实世界数据集和一个标准化的闭环基准，以便进行公平比较。利用这个平台，我们对两个基本但尚未充分探索的方面进行了全面研究：自我规划的基本特征和减少复合误差的有效数据增强技术。此外，我们还强调了当前学习系统忽视的模仿差距。最后，结合我们的发现，我们提出了一个强大的基准模型 - PlanTF。我们的结果表明，一个经过精心设计的纯模仿规划者可以在与包含手工规则的最先进方法相比具有高度竞争力的性能，并在长尾案例中展示出卓越的泛化能力。我们的模型和基准可供公开使用。项目网站：https://this URL

Sep, 2023

端到端可解释的神经运动规划器

本文提出了一种神经运动规划器 (NMP)，用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。通过输入原始的 LIDAR 数据和高清地图，NMP 生成可解释的中间表示形式，以及定义了自动驾驶汽车在规划范围内可以采取的每个位置的良好程度的成本体积。最后，本文的实验结果表明，学习成本体积可以生成比所有基线更安全的规划。

Jan, 2021

重新思考自主驾驶的闭环训练

本文针对自动驾驶代理的封闭式训练提出了一种新方法 —— 轨迹价值学习 (TRAVL)。采取多步预测进行规划，同时利用虚拟数据进行有效学习。实验证明，TRAVL 相比于其他模型，能够更快地学习并产生更安全的机动操作。

Jun, 2023

通过零样本课程将合成的离线策略经验嵌入到自动驾驶中

本研究提出了一种新的驾驶场景难度预测方法，通过仅使用部分数据对自动驾驶代理进行训练，可以在保证性能的同时，显著降低碰撞率和提高路线准确性。

Dec, 2022

自主车辆的可解释和灵活的目标条件神经规划器

通过学习驾驶员示范，我们提出了一种可解释神经规划器，用于回归热力图，有效代表自主车辆在鸟瞰图中的多个潜在目标，以解决现实场景中存在的多个可接受计划问题，并通过使用负高斯核来加强热力图回归的监督学习，从而提高碰撞回避效果。我们在 Lyft 开放数据集上的系统评估表明，与之前的工作相比，我们的模型在多样的真实驾驶场景中实现了更安全和更灵活的驾驶性能。

Sep, 2023