Maximilian Naumann［ITS People］

《IEEE Intelligent Transportation Systems Magazine》：Maximilian Naumann [ITS People]

　　

提供可能包含新闻、综述或技术笔记的社会性信息，这类信息应引起从业者与研究人员的兴趣。

本文解读对象为发表于《IEEE Intelligent Transportation Systems Magazine》的“ITS People”人物专栏文章，被介绍人为 Maximilian Naumann。研究背景方面，自动驾驶（Automated Driving，AD）需要在开放世界中完成实时感知、概率推理、与不可预测人类交互，并满足严格安全标准；传统依靠人工规则处理复杂交通场景的方式难以覆盖遮挡、博弈、长尾交互等情况，因此亟需从概率化运动规划、生成式行为建模、数据驱动仿真等方向建立更鲁棒的方法体系。文章据此系统回顾 Maximilian Naumann 在自动化车辆行为生成与仿真验证方面的研究轨迹与学术贡献。

作者为开展研究用到的主要关键技术方法包括：概率化运动规划（Probabilistic Motion Planning，基于不确定性进行安全轨迹决策）、逆强化学习（Inverse Reinforcement Learning，IRL，从人类驾驶数据中推断奖励结构）、部分可观测马尔可夫决策过程（Partially Observable Markov Decision Processes，POMDP，对遮挡与未知状态建模）、分层图神经网络（hierarchical Graph Neural Network，GNN，用于交通参与者行为仿真）、大规模多智能体自博弈强化学习（multiagent self-play Reinforcement Learning，RL，学习涌现式交互行为），以及基于互联网规模数据的语义理解与人驾示教结合方法。

Background and Research Areas

研究人员在卡尔斯鲁厄理工学院（Karlsruhe Institute of Technology，KIT）学习机械工程，进入 Christoph Stiller 团队开展自动驾驶研究，2020 年完成题为“Probabilistic Motion Planning for Automated Vehicles”的博士论文；其后在 KIT 任研究组负责人，研究 IRL、POMDP 与运动规划安全，随后加入博世人工智能中心（Bosch Center for Artificial Intelligence，BCAI）从事生成式行为建模与神经仿真扩展，2025 年 9 月加入 Zoox 负责可扩展行为学习与验证。结论是其研究路径贯穿学术实验室、大学、工业研究中心与量产自动驾驶公司。

What Drew Me to Autonomous Vehicles

研究人员被自动驾驶任务本身的复杂性吸引：实时传感、概率推理、人类交互与安全约束并存。结论是把机械工程视角与交通系统安全需求结合，是进入该领域的核心动机。

A Defining Moment

在 FZI 测试车 Bertha One 公共道路测试中，车辆在未硬编码规则情况下，因对遮挡侧向来车进行概率推理而自然减速。结论是基于第一性原理的不确定性感知规划，比手工启发式规则更具安全与泛化价值。

Research Contributions

研究人员参与 Lanelet2 高精地图框架、CoInCar-Sim 开源仿真环境、INTERACTION 数据集建设；在 BCAI 采用分层 GNN 模拟交通智能体，降低仿真中的碰撞率与平均位移误差（Average Displacement Error，ADE）。结论是社区级开源资源与数据驱动仿真共同支撑了自动驾驶行为建模与评价。

The Most Rewarding Aspects

研究人员认为 ITS 的价值在于技术深度与现实影响并行，学术创意与工业约束结合可产生更稳健进展。结论是跨 KIT、FZI、BCAI、UC Berkeley、Zoox 的多元环境形成互补视角。

Exciting Emerging Trends

研究人员关注端到端自动驾驶系统与闭环训练（closed-loop training，模型承受自身动作后果），将大规模自博弈 RL、人驾示教、互联网规模语义理解融合。结论是未来系统需在能力增长的同时扩展可解释性与可靠安全。

Life Outside the Lab

研究人员通过徒步、旅行与家庭活动重置认知，并从不同交通文化中反思出行与基础设施。

Advice to Young Researchers

研究人员建议青年学者夯实概率推理、优化与系统思维，尽早接触真实车辆数据与公共道路测试，选择真正感兴趣的问题，并积极参加会议与专题 workshop。结论是研究扎根现实、动机内生、社区交流，是进入并立足 ITS 领域的关键。

讨论与结论部分可归纳为：自动驾驶研究不能只依赖静态规则或纯离线仿真，而应以不确定性建模为底座，以真实交通数据、开源地图与场景数据集为支柱，以生成式行为模型和闭环学习为演进方向。Maximilian Naumann 的工作表明，将概率化运动规划、GNN 仿真、自博弈 RL 与工业级验证相结合，有助于提升自动驾驶在遮挡、博弈、长尾场景中的安全性与可扩展性。其参与建设的 Lanelet2、CoInCar-Sim、INTERACTION 已成为社区重要基础设施；从 KIT 到 Zoox 的学术—工业连续体经验，也说明自动驾驶突破依赖于学术创造力与工程约束的共同作用。论文结论强调，未来自动驾驶系统应在端到端能力扩展的同时，同步解决可解释性、安全保证与真实世界泛化问题。