卡耐基梅隆大学 | 基于自适应世界模型的自动驾驶规划器（最新SOTA）

主要观点总结

本文介绍了自动驾驶中的规划问题，特别是运动规划在复杂城市环境中的重要性。文章强调每个城市都有独特的驾驶行为，并为此提出了AdaptiveDriver规划器，该规划器使用BehaviorNet预测未来的代理行为，并在nuPlan基准上实现了最先进的性能。文章还回顾了相关工作，包括基于规则的规划、轨迹优化、数据驱动的仿真等。

关键观点总结

关键观点1: 城市独特的驾驶行为

每个城市都有独特的驾驶行为，比如波士顿的司机倾向于尾门行为。这种差异性对于自动驾驶规划提出了挑战，需要规划器能够适应不同的环境。

关键观点2: BehaviorNet的提出

为了应对城市间驾驶行为的差异，提出了BehaviorNet，这是一种图卷积神经网络（GCNN），通过预测参数化的驾驶行为来建模反应性代理行为。

关键观点3: AdaptiveDriver规划器的介绍

AdaptiveDriver是一种基于模型预测控制（MPC）的规划器，它以BehaviorNet的预测为条件展开并执行自适应世界模型，以在各种环境中安全导航。它在nuPlan上实现了最先进的闭环规划性能。

关键观点4: 相关工作回顾

文章回顾了基于规则的规划、轨迹优化、数据驱动的仿真等相关工作的研究进展，以及它们在自动驾驶中的应用和挑战。

文章预览

点击下方 卡片 ，关注“ 自动驾驶Daily ”公众号 戳我-> 领取近15个自动驾驶方向路线 今天自动驾驶Daily今天为大家分享一篇卡耐基梅隆大学团队基于自适应世界模型的自动驾驶规划工作。如果您有相关工作需要分享，请在文末联系我们！ 自动驾驶课程学习与技术交流群事宜，也欢迎添加小助理微信AIDriver004做进一步咨询 >> 点击进入→ 自动驾驶Daily技术交流群 本文只做学术分享，如有侵权，联系删文 写在前面 & 笔者的个人理解 运动规划对于复杂城市环境中的安全航行至关重要。从历史上看，运动规划器（MP）是在仿真环境（如CARLA）进行评估的。然而，这种合成基准并不能捕捉现实世界中的多智能体交互。最近发布的MP基准测试nuPlan通过使用闭环仿真逻辑增强现实世界的驾驶日志来解决这一限制，有效地将固定数据集变成了反应仿真器。我们分析 ………………………………