SynTraj:一种结合神经网络与符号逻辑的方法,用于在交互式交通场景中实现高效的数据驱动型自动驾驶轨迹规划
《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:SynTraj: Neuro-symbolic synergy for data-efficient autonomous driving trajectory planning in interactive traffic scenarios
【字体:
大
中
小
】
时间:2026年07月22日
来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 8.4
编辑推荐:
•具有不确定性感知的神经符号协同机制:通过不确定性估计进行神经网络路径点预测,再将这些估计值作为自适应走廊约束传递给符号规划器,从而形成闭环框架。•动态探索-利用扩散机制:先通过轨迹引导的扩散过程探索多种高级运动方案,再通过截断式利用阶段对有潜力的方案进行精确优化。•在长尾交通场
•具有不确定性感知的神经符号协同机制:通过不确定性估计进行神经网络路径点预测,再将这些估计值作为自适应走廊约束传递给符号规划器,从而形成闭环框架。•动态探索-利用扩散机制:先通过轨迹引导的扩散过程探索多种高级运动方案,再通过截断式利用阶段对有潜力的方案进行精确优化。•在长尾交通场景数据匮乏条件下的高效规划:减少对大规模数据集的依赖,提升在现实世界中数据有限的交互式交通场景下的规划性能。
引言
轨迹规划在自动驾驶中起着核心作用,它连接感知与控制功能,旨在生成安全、可行且高效的运动规划方案(Liu等人,2024;Madjid等人,2025;Song等人,2024;Wang等人,2025a;Zhang等人,2025b)。在交互式交通场景中,这一重要性更为突出,因为自动驾驶车辆并非孤立运行——其行驶决策既可能影响周围车辆、行人以及不断变化的交通状况,也会受到这些因素的影响。在这种闭环环境中,轨迹规划不仅要为单一车辆生成连贯的运动路径,还需确保交通参与者之间实现安全、协调且高效的互动。自从基于学习的方法出现以来(Hu等人,2026;Oksuz等人,2025;Peng等人,2025;Wang等人,2025b;You等人,2025),自动驾驶领域的一个主流趋势是通过扩大训练数据集规模、提升模型复杂度以及增加参数数量来改善规划性能(Sun等人,2023)。尽管这类方法在基准测试中表现良好,但往往会导致模型计算成本高昂,难以在个人硬件上训练,也很难在实际车辆上部署(Sun等人,2024)。相比之下,基于规则的规划器则更为轻量、易于理解且便于使用,使得独立研究者能够在有限的计算资源下探索规划算法(Dauner等人,2023)。正是这种差异促使人们寻求一种能够结合基于学习与基于规则方法优势的方法,同时尽量减少对大规模数据集及过于复杂的神经网络架构的依赖,以便在交互式交通环境中实现自动驾驶。
基于学习的轨迹规划中一个尚未得到充分研究的方面,就是预测得到的轨迹表示方式的优化问题。目前大多数方法直接生成由数十个未来路径点构成的密集轨迹,隐含地认为预测精细的运动序列始终有利于后续规划的质量。然而,这种设计选择很少被深入探讨。尤其是,目前尚不清楚密集轨迹预测是否真的是实现有效闭环规划所必需的,或者更稀疏的表示方式是否能在语义表达能力、可学习性以及计算效率之间实现更好的平衡。
在自动驾驶领域,这个问题尤为重要,因为轨迹规划与低级运动插值有着本质区别。规划器不仅需要输出大量几何精度较高的点,更重要的是,它还要能够捕捉到诸如让行、并线、轻微推动或转弯等潜在驾驶意图,同时还要具备应对不确定性和复杂交互情况的能力。从这个意义上说,轨迹不仅可以被视为几何对象,还可以视为未来行为的语义载体。就像低分辨率图像生成无需像素级细节即可保留场景的整体语义结构一样,稀疏轨迹预测或许也能在不要求神经网络模拟每一个局部运动细节的情况下,捕捉到某种操作的基本行为模式。如图1所示,这种稀疏表示方式有望产生在语义上丰富但计算成本较低的规划结果。
此外,在数据有限的条件下,轨迹分辨率的选择就显得更为关键。在现实世界的自动驾驶数据集中,常见的驾驶行为较为普遍,而长尾场景则极为罕见且严重缺乏代表性。在这种情况下直接学习密集轨迹可能会带来不必要的困难,因为模型必须适配一个高维输出空间,而即便在相同的语义操作范围内,其局部细节也可能存在很大差异。这会增加数据驱动模型的负担,也会降低其对罕见场景的泛化能力。相比之下,稀疏轨迹预测可以降低学习目标的复杂性,使规划器能够更加专注于高级行为结构,而这往往更具跨场景的通用性。尽管有这样的潜在优势,但现有文献中关于轨迹稀疏性与规划质量之间关系的研究仍然较少。
为弥补这一不足,我们提出了SynTraj——一种旨在重新思考如何在数据有限情况下生成和优化轨迹的轨迹规划器。SynTraj并未将规划视为一次性生成密集轨迹的回归问题,而是将其构建为一个结构化的神经符号处理流程,其中稀疏的神经网络生成与符号化的轨迹实现紧密相连。正是这种紧密耦合使得SynTraj有别于现有的混合规划器。以往的研究已经证明了结合基于学习与基于规则规划方法的优点,例如双规划器架构(Fan等人,2025;Wang等人,2024b)以及指令式学习(Chen等人,2025)。不过,这些方法中的神经网络组件与符号组件通常只是以松散的方式集成在一起,依靠并行执行、分阶段交接或有限的规则级修正来实现功能。因此,这两部分之间的信息交流往往不够充分,相互间的适应性也较为有限。此外,指令式学习本质上仍属于通用的机器人自主控制框架,并未针对自动驾驶中充满交互性且对不确定性极为敏感的特性进行专门设计。与那些神经网络模块与符号模块协调性较差的传统混合方法不同,SynTraj建立了神经网络模块与符号规划器之间的双向交互机制,从而使高级语义意图与注重低级约束的轨迹实现能够以协调的方式共同发挥作用。所提出的框架将规划过程分解为两个相互引导的步骤,具体如下:
(1)神经网络模块:该模块通过基于扩散的探索与利用机制来采样稀疏且语义多样的路径点,这些路径点可作为高级锚点,引导符号化轨迹的优化过程。具体而言,神经网络模块通过两阶段的结构化扩散过程来捕捉多模态行为:在探索阶段,会生成多样且全局一致的轨迹;在利用阶段,则通过截断式扩散机制有选择地优化那些潜力较大的候选路径点,以提高其局部一致性。
(2)符号规划器:该模块通过结合神经网络预测的不确定性,运用最小加速度多项式优化方法对轨迹进行基于物理原理的精细化处理,然后将得到的平滑轨迹作为历史背景反馈给神经网络模块,以此稳定并指导后续路径点的生成。此处所说的神经网络不确定性特指神经网络模块预测的轨迹点几何不确定性;为简洁起见,本文其余部分均用“神经网络不确定性”来指代这一数值。具体而言,符号模块通过平滑的多项式轨迹将稀疏的路径点连接起来,同时利用走廊约束来调整神经网络生成的路径点,从而提升轨迹的平滑度并增强局部与物理规律的一致性。
这种分工使得神经网络模块能够专注于高级意图的识别,而符号规划器则负责提升运动的平滑度与动态一致性,二者共同构成了一个用于规划的神经符号闭环。通过这种迭代式的交互,SynTraj能够让这两个组件在规划过程中共同进化,从而生成既具备数据高效性又具备动态可靠性的轨迹。同时,这种交互并非单纯的顺序执行:神经网络模块估算出的不确定性会被传递给符号规划器,用以调整优化的灵活性,而符号规划器的输出则进一步稳定并规范最终的规划结果。这样一来,SynTraj并非简单地将一个学习得到的模型与一个后处理优化器相结合,而是构建了一种更具原理性的神经符号规划范式,能够充分利用这两种组件的互补优势。大量实验表明,我们的方法在仅使用原始训练数据约1%的情况下就能展现出出色的性能,且推理时间也少于其他基于学习的基准方法。
我们的贡献可总结为以下几点:
1. 我们提出了一种适用于交互式交通场景下自动驾驶的、具有不确定性感知能力的神经符号协同规划范式,其中神经网络模块与符号模块能够相互引导。神经网络模块会生成稀疏的路径点及其对应的不确定性估计值,而这些估计值会被作为自适应走廊约束传递给符号规划器。由此产生的符号化轨迹又会进一步指导后续的神经网络采样过程,从而形成一种特别适合在交互式交通环境中进行顺序决策的闭环协同机制。
2. 我们设计了一种动态探索-利用流程,用于在不断变化的交通交互环境下平衡神经网络生成轨迹时的多样性与时序一致性。该流程首先通过轨迹引导的扩散过程探索多种高级运动路径点,随后进入截断式利用阶段,将采样重点放在那些具有较高潜力的方案上,以便进行精确优化。这种设计提升了闭环交互式交通场景下的规划效率与时序连贯性。
3. 大量实验表明,所提出的方法能够减少对大规模训练数据集的依赖,为在数据有限的条件下改进自动驾驶轨迹规划提供了一种新思路。这对于交互式交通场景尤为重要,因为在实际驾驶中,长尾场景虽然极为罕见,却往往关系到行车安全。
本文的结构如下:第2节将回顾该领域的相关研究文献。第3节会对SynTraj的方法论进行详细阐述。第4节则会对SynTraj的性能进行全面评估。最后,第5节会分析该方法的局限性,第6节则对整个研究进行总结。
相关研究概述
基于学习的轨迹规划
由于具备从大规模驾驶数据中提取行为模式以及模拟动态交通场景中复杂交互能力的强大优势,基于学习的轨迹规划已成为自动驾驶领域的主流方法之一。现有的研究方法大致可分为四大类:模仿学习、强化学习、基于扩散的规划方法以及端到端规划方法(Chen等人,2024;Chitta等人,2022;Codevilla等人,2018;Codevilla等人……)
方法论
第3节的其余内容将按照SynTraj的工作流程顺序进行阐述。3.1节首先明确闭环规划问题以及规划目标。3.2节介绍基于稀疏扩散的路径点生成技术,该技术能够根据场景环境提供高级运动锚点。3.3节负责估算轨迹点之间的几何不确定性,并将其转化为自适应的符号化走廊约束。3.4节则介绍了用于高效生成候选方案的动态探索-利用机制。
实验验证
在本节中,我们将在nuPlan基准测试平台(Karnchanachari等人,2024)上对SynTraj进行测试,该平台是一种广泛使用的、用于模拟真实驾驶环境的评估工具。我们的研究主要围绕以下问题展开:
•RQ1:SynTraj是否能够在不大幅牺牲规划性能的前提下,减少对大规模训练数据集的依赖?
•RQ2:SynTraj生成的轨迹在不同帧之间是否具备时序一致性?
•RQ3:通过生成稀疏的路径点,SynTraj是否……
局限性
尽管SynTraj表现出较强的性能,但也存在一些局限性:
•稀疏路径点预测虽然降低了学习目标的维度,但过于稀疏的表示方式可能无法准确编码那些需要精细局部几何信息的操作,比如近距离微调、复杂并线操作或快速避开障碍物等。
•自适应走廊约束的效果依赖于路径点不确定性预测的准确性。如果不确定性估计过高,符号规划器可能会对路径点施加过强的约束……
结论
在这项工作中,我们提出了SynTraj——一种面向自动驾驶的神经符号轨迹规划框架,其目标是能够在数据有限的条件下提升规划性能,同时增强规划的物理一致性、可解释性以及计算效率。在交互式交通场景中,这一问题尤为重要,因为自动驾驶车辆的行驶决策不仅关乎自身的安全与可行性,还会影响到周围交通参与者的行为……
作者贡献说明
Yuqi Fan:撰写——审稿与编辑、软件实现、方法论设计、概念构思。Haiyang Yu:撰写——审稿与编辑、验证工作、研究监督、资源协调。Ruikai Li:撰写——审稿与编辑、验证工作。Zhenning Li:撰写——审稿与编辑、验证工作、数据整理。Yonglin Tian:撰写——审稿与编辑、验证工作、资源协调。Sijia Wen:撰写——审稿与编辑、可视化处理、资源协调。Yilong Ren:撰写——审稿与编辑、验证工作、资源协调。Zhiyong Cui:撰写——审稿与编辑。
利益冲突声明
作者声明,他们不存在任何已知的、可能影响本文研究结果的财务利益关系或个人关系。
Yuqi Fan | Haiyang Yu | Ruikai Li | Zhenning Li | Yonglin Tian | Sijia Wen | Yilong Ren | Zhiyong Cui
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号