自主车辆的可解释和灵活的目标条件神经规划器

Sep, 2023

自主车辆的可解释和灵活的目标条件神经规划器

Interpretable and Flexible Target-Conditioned Neural Planners For Autonomous Vehicles

Haolan Liu, Jishen Zhao, Liangjun Zhang

TL;DR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。

Abstract

learning-based approaches to autonomous vehicle planners have the potential to scale to many complicated real-world driving scenarios by leveraging huge amounts of driver demonstrations. However, prior work only

autonomous vehicle planners learning-based approaches interpretable neural planner multiple potential goals collision avoidance

发现论文，激发创造

基于分层模仿学习的城市驾驶可解释运动规划器

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

面向分布感知的自主驾驶安全目标预测和符合模型规划

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

可解释式目标导向车辆轨迹预测模型

自动驾驶中，理解车辆与周围环境的社交互动行为并预测其轨迹的能力对道路安全至关重要。为了克服神经网络方法在车辆轨迹预测中缺乏可解释性的问题，本文结合离散选择模型的可解释性与神经网络模型的高准确性，提出了一种能解释其预测结果而不降低准确度的模型，并通过使用 INTERACTION 数据集进行实现和评估，证明了该模型的有效性。

Aug, 2023

基于时空热力图的模仿学习：NuPlan 挑战赛第二名方案

本文介绍了在 NuPlan 2023 挑战赛中我们第二名的解决方案，采用以行为克隆为基础的学习方式，通过热力图表示预测未来的多模态状态，并使用轨迹精化技术确保最终的安全，实验结果表明我们的方法有效地平衡了车辆的进展和安全性，产生了安全舒适的轨迹。

Jun, 2023

QuAD: 基于查询的可解释自主驾驶神经运动规划

自动驾驶汽车通过统一的、可解释的、高效的自主性框架，在关键因素（如碰撞避免、舒适性和进展）方面评估候选路径，从而实现了优于高保真闭环模拟中最先进水平的高速公路驾驶质量。

Apr, 2024

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

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

基于知识蒸馏的自主车辆规划中的可扩展高效交互感知

结合知识蒸馏的优化，通过训练小型网络，提高了自动驾驶交互感知中的路径规划的速度和精确性。

Apr, 2024

PlanT: 通过物体级表示实现可解释的规划 Transformer

该研究提出了一种名为 PlanT 的新方法，使用标准的 Transformer 架构，通过紧凑的对象层输入表示进行模仿学习来进行自动驾驶的计划，可以更好地识别相关对象，结合现有的感知模块即可实现更优秀的驾驶性能。

Oct, 2022

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