[论文解读] Motion Planning for Autonomous Driving: The State of the Art and Future Perspectives

Siyu Teng, Xuemin Hu+9 more|arXiv (Cornell University)|Mar 17, 2023

Robotic Path Planning Algorithms被引用 11

一句话总结

对自动驾驶运动规划的综合综述，对比管道化与端到端方法，并概述挑战、数据集、平台与未来方向。

ABSTRACT

Intelligent vehicles (IVs) have gained worldwide attention due to their increased convenience, safety advantages, and potential commercial value. Despite predictions of commercial deployment by 2025, implementation remains limited to small-scale validation, with precise tracking controllers and motion planners being essential prerequisites for IVs. This paper reviews state-of-the-art motion planning methods for IVs, including pipeline planning and end-to-end planning methods. The study examines the selection, expansion, and optimization operations in a pipeline method, while it investigates training approaches and validation scenarios for driving tasks in end-to-end methods. Experimental platforms are reviewed to assist readers in choosing suitable training and validation strategies. A side-by-side comparison of the methods is provided to highlight their strengths and limitations, aiding system-level design choices. Current challenges and future perspectives are also discussed in this survey.

研究动机与目标

• 将自动驾驶的运动规划方法分为管道化框架和端到端框架并进行分类与分析。
• 在管道化规划中考察扩展与优化，在端到端规划中考察训练、验证和部署。
• 调查实验平台、数据集和验证场景，以指导方法选择。
• 提供系统设计中优点、局限性和适用性的并排比较。
• 讨论当前挑战与未来方向，以推进智能车辆的部署。

提出的方法

• 回顾包含全局路径规划和局部轨迹规划的管道化规划，聚焦扩展与优化机制（状态网格识别、原语生成等）。
• 按学习方法分类的端到端规划方法的综述：模仿学习、强化学习和并行规划。
• 分析端到端模型的训练策略、泛化、鲁棒性和部署方面。
• 总结用于开发和验证的数据集、仿真平台和物理平台。
• 提供管道化与端到端框架的并排比较，突出优点和局限性。

实验结果

研究问题

• RQ1 在自动驾驶中，管道化与端到端运动规划的主要区别、优点和缺点是什么？
• RQ2 当前的模仿学习、强化学习和并行规划方法在驾驶任务和情景中的表现与泛化能力如何？
• RQ3 哪些数据集、仿真平台和现实世界验证策略支持IV运动规划方法的发展？
• RQ4 实现可靠、安全和可扩展的自动驾驶系统的关键挑战与未来方向是什么？

主要发现

• 管道化规划具有可解释性和模块化，但由于组件是手工设计，可能导致泛化和鲁棒性不理想。
• 端到端规划通过学习任务特定的表示来提高泛化性与鲁棒性，但面临可解释性和验证方面的挑战。
• 引入一种新类别，称为并行规划，通过虚拟-现实交互学习来增强端到端规划。
• 大量数据集、仿真平台和半开放的现实世界场景有助于推进 IV 运动规划，尽管弥合仿真到现实的差距仍然至关重要。
• 当前挑战包括感知可靠性、对抗性攻击的安全性、数据集到现实的迁移，以及部署中的治理考量。