自适应世界模型的自动驾驶规划
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
在非固定驾驶环境中，提出了一种基于深度图预测和规划策略网络（GP3Net）框架，该框架通过编码交通参与者之间的相互作用以及提供 AV 的安全操纵决策来预测未来的动态路径，进而提高自动驾驶车辆的安全性能。
Dec, 2023
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
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
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
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
在自动驾驶中，已经取得了训练多模态轨迹预测模型的重大进展，然而，有效地将这些模型与下游规划器和基于模型的控制方法整合仍然是一个待解决的问题。我们提出了一种使用学习的锚点嵌入来预测多条轨迹的最新轨迹预测方法，并发现这些锚点嵌入可以对表示高级驾驶行为的离散且不同模式进行参数化。我们建议在这些离散潜在模式上进行完全反应式的闭环规划，从而可以在每一步追踪建模代理之间的因果交互。在一系列更动态的合并场景上验证了我们的方法，并发现我们的方法避免了常规规划器中普遍存在的 “冻结机器人问题”。在实际速度下评估时，在具有挑战性的密集交通场景中，我们的方法也优于 CARLA 上的先前最先进方法。
Mar, 2024