从预测到规划，通过机器学习方法实现自动驾驶：一项综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Ranging from prediction to planning via machine learning approaches for autonomous driving: a survey

　　

摘要

准确预测周围代理的未来轨迹，并为自动驾驶车辆（AV）规划安全、舒适的行驶轨迹，对自动驾驶系统（ADS）至关重要。特别是，由机器学习驱动的交互式预测和规划框架的兴起彻底改变了这一领域。现有的自动驾驶系统，如模块化堆栈和端到端框架，仍然存在挑战，因为它们通常顺序地进行预测和规划，忽略了周围代理对AV规划行为的动态反应。相比之下，交互式预测和规划框架利用AV与周围代理之间的双向交互建模进行联合优化，从而规避了现有自动驾驶系统的缺点，提升了行驶的安全性和舒适性。本文通过从边缘预测、条件预测到交互式预测和规划逐步发展的建模范式，深入探讨了自动驾驶最终目标的基本原理及其发展历程。在此基础上，我们系统地回顾了相关领域的最新研究论文，涵盖了交互式预测和规划开发过程中的方法论、实验平台及评估标准。此外，本文还详细分析了场景理解、规划安全性、鲁棒性、泛化能力和部署等方面的关键挑战，并讨论了当前的一些前沿进展，如大型语言模型（LLMs）、世界模型、蒸馏策略、基于人类反馈的强化学习（RLHF）以及数据平衡和长尾学习等热点话题，最后提出了未来有前景的研究方向，以激发持续的创新和探索。