速度场：用于轨迹规划的Informative旅行成本表示

轨迹规划涉及生成一系列将在近期被遵循的空间点。然而，由于驾驶环境的复杂性和不确定性，自动驾驶车辆（AVs）无法为优化未来轨迹设计详尽的规划规则。为此，我们提出一种称为速度场的局部地图表示方法。该方法为轨迹规划任务提供指向和速度先验，简化了复杂城市驾驶中的规划过程。所述的指向和速度先验可通过我们提出的损失函数从人类驾驶员的演示中学习。此外，我们开发了一个基于迭代抽样的规划器，用于训练和比较不同的局部地图表示。我们在真实数据集上调查了规划性能的局部地图表示形式。与所学的光栅化成本图相比，我们的方法在可靠性和计算效率方面表现更好。