当规划器遇现实：如何通过学习型、反应性交通代理改变 nuPlan 基准
机器人学
2025-10-17 v1 人工智能
机器学习
多智能体系统
摘要
封闭环仿真中的规划器评估常使用基于规则的交通代理，其简化和被动的行为可能掩盖规划器的缺陷并偏向排名。广泛使用的 IDM 代理仅仅跟随前车，且无法反应相邻车道中的车辆，阻碍了对复杂互动能力的测试。我们通过整合最新学习型交通代理模型 SMART 到 nuPlan 中来解决此问题。因此，我们是首个在更真实的条件下评估规划器并量化结论如何变化的研究者。我们的分析覆盖 14 个近期规划器和既定基准，显示 IDM 基于的仿真会高估规划器性能：几乎所有分数都会恶化。相反，许多规划器的互动能力被低估了，甚至在换车或转向等多车道、互动密集场景中表现更好。方法在封闭环中训练的表现最佳且最稳定。然而，在增强边缘场景中达到极限时，所有学习型规划器都会突然降级，而基于规则的规划器保持合理的基本行为。基于我们的发现，我们建议将 SMART-反应仿真作为 nuPlan 中新的封闭环基准标准，并在 https://github.com/shgd95/InteractiveClosedLoop 上发布 SMART 代理作为 IDM 的即插即用替代方案。
引用
@article{arxiv.2510.14677,
title = {When Planners Meet Reality: How Learned, Reactive Traffic Agents Shift nuPlan Benchmarks},
author = {Steffen Hagedorn and Luka Donkov and Aron Distelzweig and Alexandru P. Condurache},
journal= {arXiv preprint arXiv:2510.14677},
year = {2025}
}