车辆运动规划能否泛化到现实长尾场景？
机器人学
2024-09-05 v2 人工智能
机器学习
摘要
现实世界的自动驾驶系统必须在面对罕见且多样的交通场景时做出安全决策。当前最先进的规划器大多在真实世界数据集如nuScenes（开环）或nuPlan（闭环）上进行评估。特别是，nuPlan似乎是一种富有表现力的评估方法，因为它基于真实世界数据和闭环，但它主要涵盖基本驾驶场景。这使得难以判断规划器泛化到罕见情况的能力。因此，我们提出了一个新的闭环基准interPlan，包含多个边缘情况和具有挑战性的驾驶场景。我们在我们的基准上评估了现有最先进的规划器，并表明基于规则和基于学习的规划器都无法安全地导航interPlan场景。最近一个新兴方向是使用基础模型如大型语言模型（LLM）来处理泛化。我们评估了一个纯LLM规划器，并引入了一个新颖的混合规划器，它将基于LLM的行为规划器与基于规则的运动规划器相结合，在我们的基准上实现了最先进的性能。
引用
@article{arxiv.2404.07569,
title = {Can Vehicle Motion Planning Generalize to Realistic Long-tail Scenarios?},
author = {Marcel Hallgarten and Julian Zapata and Martin Stoll and Katrin Renz and Andreas Zell},
journal= {arXiv preprint arXiv:2404.07569},
year = {2024}
}