摘要
尽管在大规模、物体级数据集（如nuPlan）上训练的闭环运动规划器在分布内（ID）性能上表现强劲，但其在新城市拓扑和执行扰动后的恢复机制方面的泛化能力仍未得到充分探索。
为此，我们提出了Shift & Drift，一个新颖的双轨基准，旨在严格测试运动规划器在两个关键分布偏移轴上的表现：
-
语义偏移轨道：利用一种新型转换管道，将空中视角的DeepScenario Open 3D数据集转换为nuPlan仿真框架。这使得我们能够在零-shot评估中，比较基于北美和新加坡数据训练的规划器在涵盖四个德国城市和美国旧金山的1,182个场景中的表现，这些场景包含密集的行人-骑行者互动。
-
状态分布漂移轨道：向自我车辆的动态中注入随机扰动，以量化其对复合执行错误的鲁棒性。
基于此，我们系统评估了在语义和状态分布偏移下各种规划范式的失败模式。尽管模仿学习方法在ID基准中取得了高分，但在语义偏移下，特别是在行人密集的环境中，它们表现出显著的失败，并在受到时间相关的激励噪声时持续漂移。
相较之下，评估的基于强化学习的规划器表现出更优雅的降级，在两个轨道中保持更高的安全性和进展指标。我们的研究揭示了模仿保真度与闭环鲁棒性之间的经验权衡，为社区提供了一个严格的基准，以评估在可靠部署方面的进展。
博主点评： 这项研究通过引入Shift & Drift基准，填补了自主驾驶运动规划器在新环境和执行扰动下的评估空白，强调了模仿学习与强化学习之间的性能差异，为未来的研究提供了重要的方向。该基准不仅具有挑战性，还有助于推动行业的技术进步。