自主驾驶中的高效主动学习：基于车辆动力学的场景表示来进行轨迹预测的无视觉感知
内容提要
本文重新评估了自动驾驶系统的规划任务评估方法，提出了一种基于多层感知器（MLP）的方法，利用原始传感器数据直接输出未来轨迹。在nuScenes数据集上，该方法实现了先进的规划性能，平均L2错误降低约30%。同时，分析了规划任务的关键因素，提出了新的评估指标以解决现有基准测试的偏见问题，并建议学术界重新审视相关研究。
延伸解读
评估方法再审视
文章指出，当前自动驾驶规划任务的评估指标可能无法全面反映规划质量，导致基准测试存在偏见。作者提出新的度量指标来评估预测轨迹是否符合道路要求，并建议学术界重新审视相关研究，谨慎追求最新技术结论。这提醒研究者在比较不同方法时，需关注评估指标的合理性和局限性。
MLP方法的竞争力
基于多层感知器（MLP）的方法仅使用原始传感器数据直接输出未来轨迹，在nuScenes数据集上实现了先进的规划性能，平均L2错误降低约30%。这表明，在特定场景下，简单的模型结构结合原始数据也能取得有竞争力的结果，不一定依赖复杂的感知模块或显式场景表示。
nuScenes数据集的局限性
文章分析发现，nuScenes数据集中的驾驶场景相对简单，感知信息利用率低，而自车速度等状态信息对端到端模型的未来路径规划起主导作用。这意味着在该数据集上取得的性能提升可能无法直接推广到更复杂的真实场景，读者需注意基准测试的适用范围。
Q&A
这篇文章提出了什么新的自动驾驶轨迹预测方法？
文章提出了一种基于多层感知器（MLP）的方法，利用原始传感器数据直接输出自车未来轨迹。
该方法在nuScenes数据集上的表现如何？
该方法在nuScenes数据集上实现了先进的规划性能，平均L2错误降低约30%。
文章中提到的评估指标有什么问题？
当前的评估指标无法全面评估规划质量，可能导致现有基准测试产生偏见。
为什么需要重新审视自动驾驶相关研究？
文章建议学术界重新评估相关研究，考虑当前基准测试和指标的限制，谨慎追求最新技术的结论。
文章分析了哪些成功规划任务的关键因素？
文章深入分析了nuScenes数据集成功规划任务的关键因素，包括整车速度对未来路径规划的影响。
该研究对自动驾驶系统的未来有什么启示？
该研究强调了动态场景定位的重要性，并提出了新的评估指标，可能推动自动驾驶技术的进一步发展。
