轨迹到动作管线（TAP）：自动化自动驾驶车辆行为比较的情景描述提取
机器人学
2025-08-27 v2
摘要
情景描述语言（SDLs）提供结构化、可解释的嵌入，代表自动驾驶车辆（AVs）所遇到的交通情景，支持情景相似性搜索和边缘案例检测等关键任务。本文介绍了轨迹到动作管线（TAP），一种可扩展且自动化的方法，用于从大规模轨迹数据集中提取 SDL 标签。TAP 采用基于规则的交叉熵优化方法，从数据中直接学习参数，以提高跨多样化驾驶情境的泛化能力。使用 Waymo Open Motion Dataset（WOMD），TAP 在识别行为相似轨迹方面，比平均位移误差（ADE）高出 30%，比动态时间错位（DTW）高出 24%。此外，TAP 实现了自动化独特驾驶行为的检测，大大简化了 AV 测试的安全评估流程。该工作为可扩展的基于情景的 AV 行为分析提供了基础，并具有潜在的扩展方向，可集成多智能体情境。
引用
@article{arxiv.2502.20353,
title = {Trajectory-to-Action Pipeline (TAP): Automated Scenario Description Extraction for Autonomous Vehicle Behavior Comparison},
author = {Aron Harder and Madhur Behl},
journal= {arXiv preprint arXiv:2502.20353},
year = {2025}
}
备注
11 pages, 6 figures