面向自动驾驶车辆的集成预测与规划自监督预训练
机器人学
2025-07-15 v1
摘要
预测周围智能体的未来状态并据此规划安全、目标导向的轨迹是自动驾驶车辆的关键任务。当前方法通常依赖模仿学习，以针对ground truth优化指标，常常忽视场景理解如何促进更全面的轨迹。本文提出了Plan-MAE，一个统一的预训练框架，用于预测与规划，利用遮蔽自编码器（masked autoencoder）实现。Plan-MAE通过三个专门任务融合关键情境理解：重建被遮蔽的道路网络以学习空间关联、代理人轨迹以建模社交互动、导航路线以捕获目的地意图。为进一步对齐车辆动力学与安全约束，我们引入局部子轨迹规划任务，对预测自车早期轨迹段后续段落进行条件化预测。该预训练模型随后在下游任务上进行微调，以联合生成预测与规划轨迹。在大规模数据集上的实验表明，Plan-MAE在规划指标上远超当前方法，并可作为学习型运动规划器的重要预训练步骤。
引用
@article{arxiv.2507.09537,
title = {Self-supervised Pretraining for Integrated Prediction and Planning of Automated Vehicles},
author = {Yangang Ren and Guojian Zhan and Chen Lv and Jun Li and Fenghua Liang and Keqiang Li},
journal= {arXiv preprint arXiv:2507.09537},
year = {2025}
}