内容摘要
这是一次“替换实验”:检验端到端模型 UniAD 里那个从数据学出来的规划器,是否真比教科书写法的手写规则规划器更会开车。作者实现十六个规划器(四种路径来源 × 四种轨迹方法),在 nuScenes 开环、nuPlan 闭环(真值目标物与 HD 地图)、HUGSIM 照片级闭环(436 个场景、四档难度)三个基准评测。HUGSIM 上只替换 UniAD 的规划器、感知冻结、不给 HD 地图,输出仍是同样六个路点交给同一控制器,因此差异可归因到规划器。结果:同一份感知下十六个规划器中九个优于 UniAD 的学习规划器,最好的“混合 A* 路径 + 非线性轨迹优化”把 HD-Score 从 32.0 提到 41.8;nuScenes 开环 L2 误差 0.735 米对 0.947 米;nuPlan 摘要给 79.3 对规则基线 PDM-Closed 的 76.1,而表 II 中同一对照写作 75.2。
点评
把它当接口设计的样例来读。
一、替换成本低。规划器每周期只读 UniAD 的跟踪目标(含 6 秒运动预测)、车辆占用预测、可行驶区域的鸟瞰掩码、自车速度/加速度/横摆角速度和导航指令,输出 0.5 秒间隔的六个路点,正是 UniAD 自己的输出格式,换实现不用改控制器。
二、两个规划器读同一份感知,差异就落到规划层。UniAD 规划器在 HUGSIM 上有 182 次运行撞上车辆,其中 31 次换成教科书规划器后在同样感知下能跑完路线,说明这批碰撞出在规划而非感知;另 131 次两者都撞,作者明说无法分摊。
三、增益有明确边界。静止车(+18.8 ± 4.2)与对向车(+17.8 ± 4.1)最明显,分别对应路径搜索绕开静态障碍、轨迹方法对照运动预测;面对主动朝本车转向的车辆没有增益(13.9 对 12.9,增益 −1.0 ± 2.8),因为依赖的预测没料到这种行为。
可迁移做法:把端到端模型当“感知+预测”的提供者,其后接一个可解释、可单独替换与评测的规则规划器,并让两者共享同一输入,才能定位问题出在感知还是规划。
引用时需一并说明的边界:
· 学习感知上的结果只用一个端到端模型(UniAD),学习规划器更强的模型可能表现不同,不能外推为规则规划器普遍优于学习规划器。 · 未用仿真器真值目标框复跑,因此两者都撞车的 131 次运行无法在感知与规划之间划分。 · HUGSIM 场景是固定基础场景的变体、彼此不独立,而标准误假定它们独立,误差估计偏乐观。 · HUGSIM 只插入车辆,评分主要看规划出的路点而非实际行驶运动;且忽略行驶方向,占用对向车道不扣分。 · 对照条件不对称:规则基线 PDM-Closed 用真值目标物与 HD 地图,模型内规划器只看到学习来的、带噪感知。 · 数值需注意:摘要写 PDM-Closed 为 76.1,表 II 为 75.2。 · 全部为仿真中的对比,未涉及真车部署、算力与时延,论文也未把结论表述为已验证的落地效果。
版本与核查范围
版本 2611.25138v1 · 原文定位与程序检查、独立上下文模型复核;不代表独立研究复现。。依据已核查材料整理;未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1;#S1.p3.1;#S3.SS1.p1.1;#S4.p3.1;#abstract1.1;#S5.p1.1;#S5.p2.1;#abstract1.1;#S5.T2.2;#S6.T6.2;#S6.p4.1;#S7.p2.1
