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

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

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

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

通过结合传统规则基于的规划器与基于大型语言模型的规划器，利用 LLMs 的常识推理能力解决自动驾驶车辆面临的复杂场景，实现了最先进的性能，超越了所有现有的纯学习和基于规则的方法。

Dec, 2023

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

异步驱动器是一个利用大型语言模型（LLM）生成与场景相关的指令特征，引导实时规划器进行精确和可控轨迹预测的新的异步 LLM 增强闭环框架。

Jun, 2024

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

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

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