HYPE：基于自车提议条件预测的混合规划
机器人学
2025-10-27 v2 人工智能
机器学习
摘要
在复杂城市环境中进行安全且可解释的运动规划需要推理关于双向多智能体相互作用的原因。这种推理需要估计潜在自车驾驶机动的成本。许多现有规划器使用基于抽样的方法生成初始轨迹，并通过优化对未来环境状态的学习预测来进行细化，这需要编码所需车辆行为的成本函数。设计这样的成本函数在需要考虑广泛复杂城市情景的情况下非常具有挑战性。我们提出了 HYPE：HYbrid Planning with Ego proposal-conditioned predictions，一种将来自学习提议模型的多模态轨迹提议作为启发式先验整合到蒙特卡洛树搜索（MCTS）细化中的规划器。为了建模双向相互作用，我们引入了一个以自车为条件的占有率预测模型，实现一致的、场景感知的推理。我们的设计显著简化了细化中的成本函数设计，通过考虑提议驱动的指导，仅需要最小化的网格基成本术语。在大规模真实世界基准 nuPlan 和 DeepUrban 上的评估表明，HYPE 有效实现了最先进的性能，尤其在安全性和适应性方面。
引用
@article{arxiv.2510.12733,
title = {HYPE: Hybrid Planning with Ego Proposal-Conditioned Predictions},
author = {Hang Yu and Julian Jordan and Julian Schmidt and Silvan Lindner and Alessandro Canevaro and Wilhelm Stork},
journal= {arXiv preprint arXiv:2510.12733},
year = {2025}
}
备注
Accepted to IEEE ITSC 2025