学习型车辆运动规划的误解分析
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
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。
Jun, 2021
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
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
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
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
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
通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性,实现了汽车行驶的目标方向建模,生成一组已提议的车辆目标路径,并将其用作空间锚点,进而预测基于目标的轨迹和对目标的分类分布,在 6 秒的预测角度内,在内部驾驶数据集和公共 nuScenes 数据集上实验结果表明,该模型的性能优于先进的车辆轨迹预测方法。
Sep, 2020
本文介绍了一种分层的模仿学习方法,包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器来增强神经网络的可靠性和稳定性。该方法可以被嵌入到基于规则的架构中,且在封闭回路仿真和实际驾驶测试中表现卓越,特别适用于复杂的城市自动驾驶场景。
Mar, 2023
本文提出了一种基于神经网络的运动规划方法,使用学习演示来训练机器人在动态障碍物环境下进行端到端导航,此方法可通过原始 2D 激光测距数据将目标位置映射到机器人的导航命令。模型已通过模拟和实际测试的方式进行了有效验证与比较。
Sep, 2016