面向自动驾驶轨迹规划的跨情景自适应特征增强方法 CAFE-AD
机器人学
2025-04-10 v1 机器学习
摘要
基于模仿学习的nuPlan数据集轨迹规划任务因其潜在的生成类人驾驶行为而受到广泛关注。然而，基于nuPlan数据集的开环训练在闭环测试时容易导致因果混淆，且数据集还呈现出情景长尾分布的问题，这些问题给模仿学习带来了挑战。为解决这些问题，我们提出了CAFE-AD（Cross-Scenario Adaptive Feature Enhancement for Trajectory Planning in Autonomous Driving），一种用于增强自动驾驶轨迹规划中不同情景类型特征表示的跨情景自适应特征增强方法。我们开发了自适应特征剪枝模块，对特征重要性进行排序，在捕捉最相关信息的同时，减少训练期间噪声信息的干扰。此外，我们提出了跨情景特征插值模块，通过引入特征的多样性来增强情景信息，使网络能够缓解主导情景中的过拟合问题。在挑战性的公开nuPlan Test14-Hard闭环仿真基准测试中评估了我们的方法CAFE-AD。结果表明，CAFE-AD在基于规则和混合规划器的前沿方法之上取得了优异性能，显示出在数据集长尾分布问题方面具有潜在的缓解作用。此外，我们进一步验证了其在实际环境中的有效性。代码和模型将在https://github.com/AlniyatRui/CAFE-AD提供。
引用
@article{arxiv.2504.06584,
title = {CAFE-AD: Cross-Scenario Adaptive Feature Enhancement for Trajectory Planning in Autonomous Driving},
author = {Junrui Zhang and Chenjie Wang and Jie Peng and Haoyu Li and Jianmin Ji and Yu Zhang and Yanyong Zhang},
journal= {arXiv preprint arXiv:2504.06584},
year = {2025}
}
备注
ICRA 2025; first two authors contributed equally