文章预览
导读： 本篇文章提出了一种局部地图表示方法（即速度场）来解决无法为所有场景设计通用规划规则的问题。此外，本文开发了一种高效的迭代轨迹优化器，其与速度场无缝兼容，实现了训练和推理过程。实验结果表明，本文方法为提高自动驾驶系统的规划性能和增强其模仿人类驾驶行为的能力提供了一种有前景的解决方案。 ©️【深蓝AI】编译 轨迹规划涉及生成一系列在不久的将来车辆要跟随的空间点。然而，由于驾驶环境的复杂性和不确定性，自动驾驶汽车（AVs）不可能为优化未来轨迹而设计详尽的规划规则。为了解决这一问题，本文提出了一种局部地图表示方法，称为速度场。该方法为轨迹规划任务提供了航向和速度先验，简化了复杂城市驾驶场景中的规划过程。通过本文所提出的损失函数，可以从人类驾驶员的演示中学习航向和速度先验
………………………………
