基于多数据集集成的统一运动规划框架——面向自动驾驶决策系统的UniPlanner
人工智能
2025-10-29 v1
摘要
运动规划是自动驾驶决策系统的关键组件，直接决定轨迹的安全性与驾驶效率。虽然深度学习方法在规划能力方面取得进展，但现有方法局限于单数据集训练，限制了其在规划中的鲁棒性。通过系统分析，我们发现车辆轨迹分布及历史-未来关联在不同数据集间表现出显著一致性。基于此，我们提出UniPlanner——首个面向自动驾驶决策系统多数据集集成的规划框架。UniPlanner通过三大协同创新实现统一的跨数据集学习。其一，历史-未来轨迹字典网络（HFTDN）聚合多个数据集中的历史-未来轨迹对，利用历史轨迹相似性检索相关未来，生成跨数据集的规划指导；其二，梯度-free轨迹映射器（GFTM）从多个数据集中学习稳健的历史-未来关联，将历史轨迹转化为通用规划先验。其梯度-free设计确保有价值的先验在防止捷足足达的同时，使规划知识可安全迁移；其三，稀疏到稠密（S2D）范式实现自适应dropout，在训练期间选择性抑制规划先验以实现稳健学习，在推理期间充分利用全部先验以最大化规划性能。
引用
@article{arxiv.2510.24166,
title = {UniPlanner: A Unified Motion Planning Framework for Autonomous Vehicle Decision-Making Systems via Multi-Dataset Integration},
author = {Xin Yang and Yuhang Zhang and Wei Li and Xin Lin and Wenbin Zou and Chen Xu},
journal= {arXiv preprint arXiv:2510.24166},
year = {2025}
}