基于自适应世界模型的自动驾驶规划
摘要
运动规划对于复杂城市环境中的安全导航至关重要。历史上，运动规划器（MPs）一直使用程序化生成的模拟器（如CARLA）进行评估。然而，此类合成基准并未捕捉真实世界的多智能体交互。最近发布的运动规划器基准nuPlan通过将真实驾驶日志与闭环模拟逻辑相结合，有效地将固定数据集转化为反应式模拟器，从而解决了这一局限性。我们分析了nuPlan记录日志的特征，发现每个城市都有其独特的驾驶行为，这表明鲁棒的规划器必须适应不同的环境。我们学习使用BehaviorNet来建模此类独特行为，BehaviorNet是一种图卷积神经网络（GCNN），它利用最近观察到的智能体历史记录中的特征来预测反应式智能体行为；直观地说，一些激进的智能体会尾随前车，而另一些则不会。为了建模此类现象，BehaviorNet预测智能体运动控制器的参数，而不是直接预测其时空轨迹（如大多数预测器所做的那样）。最后，我们提出了AdaptiveDriver，一种基于模型预测控制（MPC）的规划器，它根据BehaviorNet的预测展开不同的世界模型。我们的大量实验表明，AdaptiveDriver在nuPlan闭环规划基准上取得了最先进的结果，在Test-14 Hard R-CLS上比先前工作提高了2%，并且即使在从未见过的城市上进行评估时也能泛化。
引用
@article{arxiv.2406.10714,
title = {Planning with Adaptive World Models for Autonomous Driving},
author = {Arun Balajee Vasudevan and Neehar Peri and Jeff Schneider and Deva Ramanan},
journal= {arXiv preprint arXiv:2406.10714},
year = {2025}
}
备注
This project has been accepted to the International Conference on Robotics and Automation (ICRA) 2025. Project Page: https://arunbalajeev.github.io/world_models_planning/world_model_paper.html