IP3：集成路径引导的预测与规划技术，以实现安全的自动驾驶

《IEEE Transactions on Vehicular Technology》：IP3: Integrated Path-Guided Prediction and Planning for Safe Autonomous Driving

自主车辆需精准预测周围代理轨迹并识别高度交互代理以实现安全规划，但不确定性易导致预测轨迹时间不一致性，影响交互选择和安全性。本文提出IP3框架，通过预训练双查询Transformer对路径-轨迹查询对进行模态对齐和分布估计，提升轨迹预测时间一致性；同时通过路径引导的交互代理选择策略和碰撞感知模仿损失微调，增强安全规划能力。实验表明IP3在开放环和闭环规划测试中均优于基线，在Waymax基准测试中碰撞率降低68.40%。

　　

摘要：

自动驾驶车辆（AVs）需要准确预测周围其他车辆的未来轨迹，并从中识别出具有高度交互性的车辆，以便进行安全的后续规划。然而，巨大的不确定性容易导致相邻帧之间的轨迹预测出现时间上的不一致性，这会误导交互性车辆的选择，并对规划带来安全风险。我们发现，通过预先确定且能够适应地图的路径，可以提高轨迹预测的时间一致性。本文提出了一种基于预训练和微调学习范式的集成路径引导预测与规划（IP3）框架，用于实现时间一致性预测和安全规划。首先，我们采用了一种新的路径-轨迹查询对概念，对双查询Transformer进行预训练，以执行路径和轨迹预测之间的模态对齐，估计它们之间的准确分布，从而进一步提高轨迹预测的时间一致性。其次，我们通过引入考虑碰撞的模仿损失来微调规划策略，以防止来自高度交互性车辆的潜在碰撞威胁。此外，我们还结合了一种路径引导的交互性车辆选择策略，以准确识别这些车辆，并借助时间一致性预测来提升安全规划的效果。实验验证表明，IP3在开环和闭环规划测试中均优于以往的先进方法。特别是在具有挑战性的Waymax基准测试中，IP3将关键的安全指标——碰撞率降低了68.40%。

引言

在复杂的交互场景中，自动驾驶车辆预测动态交通参与者的未来轨迹、识别高度交互性的车辆并制定安全的后续规划行动至关重要[1]、[2]、[3]。研究界在开发更强大的集成预测与规划模型方面取得了快速进展，例如DIPP [4]和Gameformer [5]，这些模型能够提供更加交互性强、更接近人类决策方式的方案。