面向自动驾驶的回声规划：从当前观测到未来轨迹再回到当前
计算机视觉与模式识别
2026-03-19 v2 机器人学
摘要
现代的端到端自动驾驶系统存在一个关键局限：它们的规划器缺乏机制来强制执行预测轨迹与演化场景动态之间的时间一致性。这种缺失允许早期预测错误在时间上累积性地恶化。我们引入Echo规划(EchoP)，一个新的自纠正框架，建立一个端到端的当前-未来-当前(CFC)循环来协调轨迹预测与场景连贯性。我们的关键洞察是，合理的未来轨迹应具有双向一致性，即不仅从当前观测生成，还能重建当前观测。CFC机制首先从鸟瞰视图(BEV)场景表示预测未来轨迹，然后反向映射这些轨迹以估计当前BEV状态。通过通过循环损失强制执行原始和重建BEV表示之间的一致性，该框架内在地对不合物理或不一致的轨迹进行惩罚。在nuScenes数据集上进行的实验表明，所提方法的性能与竞争方法相当，将L2误差(平均)降低0.04米，碰撞率降低0.12%。此外，EchoP无缝扩展到闭环评估，即Bench2Drive，达到了26.54%的成功率。值得注意的是，EchoP不需要额外的监督：CFC循环作为一种归纳偏见，稳定了长期规划。总体而言，EchoP为改进安全关键的自动驾驶可靠性提供了一个简单可部署的路径。
引用
@article{arxiv.2505.18945,
title = {Echo Planning for Autonomous Driving: From Current Observations to Future Trajectories and Back},
author = {Jintao Sun and Hu Zhang and Gangyi Ding and Zhedong Zheng},
journal= {arXiv preprint arXiv:2505.18945},
year = {2026}
}
备注
12 pages, 4 figures