风险图作为中间件：面向风险感知规划的可解释合作式端到端自动驾驶
机器人学
2025-11-21 v2
摘要
端到端范式已成为自动驾驶的有前景的方法之一。然而，现有的单智能体端到端管道常受到遮挡和感知范围有限的限制，导致驾驶风险。此外，它们的黑箱本质阻止了驾驶行为的可解释性，导致系统不可信。为解决这些限制，我们引入风险图作为中间件 (RiskMM)，并提出一种可解释的合作式端到端驾驶框架。风险图直接从驾驶数据中学习，为来自上游感知和 ego 车与周围环境之间相互作用，为下游规划提供可解释的时空表示。RiskMM 首先构建具有统一 Transformer 架构的多智能体时空表示，然后通过对周围环境之间的相互作用进行注意力建模来推导风险感知表示。这些表示随后输入到基于学习的模型预测控制 (MPC) 模块中。MPC 规划器本质上能够容纳物理约束和不同车辆类型，并通过将学习参数与显式 MPC 元素对齐来提供解释。在真实世界的 V2XPnP-Seq 数据集上的评估表明，RiskMM 在风险感知轨迹规划方面实现了卓越且稳健的性能，显著增强了合作式端到端驾驶框架的可解释性。该代码将公开，以促进该领域的未来研究。
引用
@article{arxiv.2508.07686,
title = {Risk Map As Middleware: Towards Interpretable Cooperative End-to-end Autonomous Driving for Risk-Aware Planning},
author = {Mingyue Lei and Zewei Zhou and Hongchen Li and Jiaqi Ma and Jia Hu},
journal= {arXiv preprint arXiv:2508.07686},
year = {2025}
}
备注
IEEE RA-L