端到端自动驾驶的全统一运动规划

当前的端到端自动驾驶方法通常仅从单辆自车收集的专家规划数据中学习，严重限制了可学习驾驶策略和情景的多样性。然而，一个被严格忽视的关键事实是，在任何驾驶情景中，与特定自车轨迹并存的多条高质量轨迹来自其他车辆。现有方法未能充分利用这一宝贵资源，错失了通过学习其他专家数据来提升模型性能（包括长尾情景）的重要机会。直观地看，同时从自车和其他车辆的专家数据中进行联合学习对规划任务有益。然而，这种联合学习面临两个关键挑战：（1）不同车辆的场景观察视角阻碍了场景特征表示之间的跨车辆对齐；（2）与自车数据相比，其他车辆数据缺乏部分模态（例如车辆状态），导致学习偏差。为解决这些挑战，我们提出了FUMP（Fully Unified Motion Planning），一个新的两阶段轨迹生成框架。基于概率分解，我们将规划任务建模为运动预测的专门子任务。具体而言，我们的方法将轨迹规划解耦为两个阶段。在阶段1，一个共享解码器为两个任务联合生成初始轨迹。在阶段2，模型在自车状态条件下进行规划特定的细化。两个阶段之间的转换通过一个仅在自车数据上训练的状态预测器来桥接。为解决跨车辆观察视角的差异，我们在阶段1之前提出了等效上下文共享适配器（ECSA），以提高跨车辆场景表示的泛化能力。