PlanTRansformer：基于目标条件 Transformer 的统一预测与规划
机器人学
2026-02-04 v1 计算机视觉与模式识别
摘要
轨迹预测与规划是自动驾驶中的基本且互不相连的组成部分。预测模型在未知意图下预测周围智能体运动，产生多模态分布；而规划模型假设已知自主车目标，生成确定性轨迹。这种不匹配导致关键瓶颈：预测缺乏对智能体意图的监督，而规划需要这些信息。现有预测模型尽管在基准测试上表现优异，却常与碰撞规避和动态可行性等规划约束保持不连贯。我们引入 Plan TRansformer（PTR），一个集成目标条件预测、动态可行性、交互感知和车道级拓扑推理的高斯混合 Transformer 框架。我们构建了一个教师-学生训练策略，逐步遮盖周围智能体指令，以匹配推理条件下意图不可用的情形。PTR 在 marginal/joint mAP 上相较于基线 Motion Transformer（MTR）分别实现了 4.3%/3.5% 的提升，并在 5 秒预测时域相较于 GameFormer 实现了 15.5% 的规划误差降低。该架构无关的设计使其能够应用于各种基于 Transformer 的预测模型。项目网站：https://github.com/SelzerConst/PlanTRansformer
关键词
引用
@article{arxiv.2602.03376,
title = {PlanTRansformer: Unified Prediction and Planning with Goal-conditioned Transformer},
author = {Constantin Selzer and Fabina B. Flohr},
journal= {arXiv preprint arXiv:2602.03376},
year = {2026}
}
备注
Submitted and accepted at IEEE IV 2026