场景自适应运动规划：显式专家混合模型与交互导向优化
机器人学
2026-02-04 v3
摘要
尽管发展已逾十年，自动驾驶在复杂城市环境中的轨迹规划仍面临诸多挑战，包括难以适应轨迹的多模态特性、单一专家模型在管理多样化情景中的局限性，以及 insufficient consideration of 环境相互作用。为此，本文引入 EMoE-Planner，通过三种创新方法加以解决。首先，显式混合专家（MoE）通过共享场景路由器基于情景特定信息动态选择专门专家。其次，规划器利用情景特定查询提供多模态先验，将模型的注意力引向相关目标区域。最后，通过考虑 ego 车辆与其他智能体之间的相互作用，显著提升了预测模型和损失计算。我们在 Nuplan 数据集上对比实验了最新方法。仿真结果表明，该模型在 nearly all test scenarios 中均优于 SOTA 方法。我们的模型是首个在 nearly all Nuplan 闭环仿真中超越基于规则算法的纯学习模型。
引用
@article{arxiv.2505.12311,
title = {Scene-Adaptive Motion Planning with Explicit Mixture of Experts and Interaction-Oriented Optimization},
author = {Hongbiao Zhu and Liulong Ma and Xian Wu and Xin Deng and Xiaoyao Liang},
journal= {arXiv preprint arXiv:2505.12311},
year = {2026}
}
备注
Main text 10 pages with 7 figures