Benchmarking Autonomous Driving Planners Across Leaderboards: A Unified CARLA-Based Evaluation
本文通过使用 CARLA Leaderboard v2.1，对来自主要基准生态系统（nuPlan、Waymo 和 CARLA）的八种代表性自动驾驶运动规划方法进行了统一的对比评估，旨在识别当前趋势、共同挑战以及未来的研究方向。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
几十年来，汽车可以自动驾驶的梦想一直是科幻小说中的常客，它许诺了一个人类可以从转向、制动和导航交通的负担中解脱出来的未来。在过去的二十年里，工程师们一直致力于将这一承诺变为现实，构建能够观察道路、预测其他驾驶员行为并决定如何安全行驶的系统。这些系统依赖于三大支柱：通过摄像头和传感器感知世界的能力、预测他人及车辆下一步去向的能力，以及规划安全前进路径的能力。虽然我们已经看到测试车队在特定城市运行，但这项技术尚未准备好在所有开放道路上普及。一个主要的障碍仍然存在：我们如何知道一个计算机程序是否真的比另一个更好？不同的研究团队通常在不同的虚拟世界或不同的规则下测试他们的软件，这使得公平比较变得不可能。如果没有共同的标准，很难判断一种新方法是真正的飞跃，还是仅仅只在特定测试中有效的手段。
南加州大学的一组研究人员决定通过将八个最先进的自动驾驶规划器带入一个共享的虚拟竞技场来解决这个问题。他们选择了一个名为 CARLA 的流行模拟平台，该平台重现了驾驶的物理特性和城市街道的复杂性，并将其作为中立的裁判。研究人员选取了此前在三场主要竞赛中获得顶尖地位的软件模型——其中一个基于来自 Waymo 的真实世界数据，另一个基于 nuPlan 数据集，还有几个来自 CARLA 社区本身——并强迫它们在相同的轨道上运行，面对同样的交通拥堵、行人以及施工区域。其目标并非创建一个新的基准，而是观察这些原本在隔离状态下开发的各种方法，在接受完全相同的标准评判时表现如何。这项研究涵盖了多种方法：有些依赖于由人类编写的严格规则，有些通过观察人类驾驶进行学习，有些像视频游戏角色一样通过试错进行学习，还有些使用复杂的数学模型来预测未来。
这种面对面的对比结果显示，并不存在一种构建自动驾驶系统的“最佳”方式。相反，研究表明，一个系统的优劣高度取决于它被允许获取多少信息以及它是如何训练的。研究人员发现，那些拥有“特权”信息的规划器——即它们可以获得每个其他车辆和行人的精确位置与速度，仿佛拥有整个世界的完美地图——在长距离连续路线上表现得显著更好。这些系统（包括一个基于规则的规划器和一个通过模仿人类驾驶进行训练的模型）成功完成了近 97% 的既定路线而未发生碰撞。相比之下，最成功的仅依赖标准传感器（如摄像头和激光扫描仪）的系统，完成了约 70% 的路线。这表明，虽然传感器擅长处理快速的局部交互，但拥有全局交通状况的完美视角对于维持长距离行驶进度至关重要。
然而，拥有完美的视野或高完成率并不保证驾驶的安全或合法。研究揭示了在“到达目的地”与“遵守规则”之间存在着令人惊讶的权衡。其中一个表现优异的模型结合了强大的预测引擎和旨在遵循既定路径的控制系统，它在保持行驶路径和到达目的地方面表现出色。然而，它经常违反交通法规，例如闯红灯或无视停车标志，因为其指令侧重于留在路径上而非遵守规则。另一方面，一个使用强化学习（通过对良好行为给予奖励、对不良行为给予惩罚来进行学习）训练的模型，在避免违规方面做得很好，但在高效完成长距离路线方面却表现挣扎。这凸显了一个关键挑战：一辆自动驾驶汽车可以非常擅长前进，也可以非常擅长礼让，但将这两种特质整合进单一系统仍然非常困难。
或许最发人深省的发现是，没有任何一种方法能够持续应对最混乱的情况。当研究人员针对涉及障碍物的特定场景（例如车门突然在车道内打开、施工区域或行人意外步入路面）对模型进行测试时，每种方法都遇到了困难。无论是基于规则、从数据中学习，还是基于复杂的数学预测，没有任何一种方法能够可靠地在这些充满障碍物的复杂环境中行驶而不出错。这表明，围绕异常物体做出精细决策的能力是整个领域的共同瓶颈。研究还证明，仅看最终得分可能会产生误导。两个系统可能得到相同的总评分，但其中一个可能是因为碰撞而失败，而另一个则是因为违反规则而失败。通过将结果分解为特定的驾驶场景，研究人员展示了高分是如何掩盖不同类型的失败的。
研究人员还引入了一种新的混合方法进行测试，即取一个以预测其他车辆去向而闻名的模型，并为其添加一个规划模块。这个新系统在保持车辆路径方面表现良好，但与其他顶尖模型一样，它在处理交通规则方面仍然存在困难。研究得出结论，尽管我们在模拟和测试自动驾驶技术方面取得了巨大进步，但我们尚未达到这些系统可以大规模部署的程度。能够驾驶安静测试赛道的车与能够应对真实城市不可预测之混沌的车辆之间，仍存在显著差距。这项工作提供了一个清晰的未来蓝图，表明下一个突破点将不在于单纯地让系统的某个部分变得更快或更聪明，而在于解决路径跟随、法律遵守以及对突发状况做出安全反应之间的艰难平衡。在找到这种平衡之前，全自动驾驶汽车的承诺依然遥不可及。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。