基于自适应世界模型的自动驾驶规划

arXiv 24.6 2024 67.6 method, application

TLDR

AdaptiveDriver利用BehaviorNet建模智能体行为，结合MPC规划，在nuPlan基准上达到最优性能。

评分理由

The paper introduces a novel approach to motion planning by learning adaptive world models that capture unique driving behaviors per city, validated on the real-world nuPlan benchmark. Strengths include addressing multi-agent interactions and achieving state-of-the-art results; weaknesses include limited evaluation to a single benchmark and lack of discussion on generalization to other environments.

Read-first 评分解释

综合优先阅读分 67.6，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 27。

方法质量 25%

100

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：分析、基准、数据集、评估、实验、结果

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：有；数据：无；命中信号：数据集、GitHub

近期性 8%

75.1

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2024

主题相关性 42%

38.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

研究版图角色

方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：536。

关键词评分

world model

world dynamics prediction

interactive world model

world simulator

model-based reinforcement learning world model

generative world model

video world model

深度分析

创新点

BehaviorNet：一种图卷积神经网络（GCNN），通过预测智能体运动控制器的参数而非直接预测其时空轨迹来预测反应性智能体行为
AdaptiveDriver：一种基于模型预测控制（MPC）的规划器，根据BehaviorNet的预测展开不同的世界模型
对nuPlan记录日志的分析揭示每个城市都有其独特的驾驶行为，从而激发了对自适应规划器的需求

方法

本文使用nuPlan基准，该基准通过闭环模拟逻辑增强真实驾驶日志。他们学习了BehaviorNet，一种从最近观察到的智能体历史中预测智能体运动控制器参数的GCNN。然后AdaptiveDriver使用MPC根据BehaviorNet的预测展开不同的世界模型。评估在nuPlan闭环规划基准上进行。

关键结果

AdaptiveDriver在nuPlan闭环规划基准上取得了最先进的结果，在Test-14 Hard R-CLS上比先前工作提升了2%，并且即使在从未见过的城市上评估时也能泛化。

资源

论文代码