感知有助于规划：通过双边结构促进多阶段车道级别集成
内容提要
本研究提出多种自主驾驶技术，包括基于社会感知的决策模块、期望效用最大化框架和深度强化学习决策框架，旨在提升自动驾驶的性能与安全性。通过集成预测与规划，增强环境感知能力，促进车路协同，实现安全、舒适、高效的驾驶体验。
延伸解读
从模块化到集成：预测与规划的关系转变
文章指出，传统模块化自动驾驶系统将预测和规划作为顺序独立任务，虽考虑周围交通对自车的影响，却未预测交通参与者对自车行为的反应。近期研究表明，将预测与规划整合为相互依赖的联合步骤，是实现安全、高效、舒适驾驶的必要条件。这一转变意味着系统设计需从单向流水线转向闭环交互，对算法实时性和一致性提出更高要求。
感知增强如何服务于规划：协同与直接感知两条路径
文章介绍了两种提升感知以支持规划的思路：一是通过激光雷达与数据融合实现车路协同，扩大感知范围、补充盲区，并设计测试场景证明其优于单车自动驾驶；二是基于直接感知的方法，在城市环境中根据高级方向输入自主导航并识别交通信号。两者都强调感知信息需直接服务于规划决策，而非仅作为独立模块输出。
不确定性处理与社会兼容：决策模块的关键考量
文章提到，基于社会感知的决策模块将更新信念纳入MPC概率规划框架，以实现防御但不过于保守且社会兼容的驾驶策略。同时，基于期望效用最大化的框架分析了世界状态估计噪声对规划的影响。这表明，自动驾驶决策不仅要应对环境不确定性，还需考虑与其他交通参与者的社会互动，平衡安全与通行效率。
集成预测规划的性能验证与未来方向
文章回顾了多个集成预测规划模型，如ST-P3在nuScenes和CARLA上验证了感知、预测与规划联合任务的优越性，HPP在预测和规划上取得最先进性能并展示端到端范式的一致性。这些工作表明集成方法能提升准确性和一致性，但文章也指出需关注不同集成方法的意义、优势和限制，并识别研究空白与未来挑战。
Q&A
什么是基于社会感知的自主驾驶决策模块？
基于社会感知的自主驾驶决策模块利用所有可用信息处理不确定性，将社会感知的更新信念纳入概率规划框架中，以实现社会兼容的驾驶策略。
如何提高自动驾驶的安全性和效率？
通过集成预测与规划，增强环境感知能力，利用激光雷达和数据融合技术，促进车路协同，从而提高自动驾驶的安全性和效率。
ST-P3方案在自动驾驶中有什么优势？
ST-P3方案通过端到端方式实现感知、预测和规划任务，并在多个数据集上验证了其优越性，提升了自动驾驶的性能。
AUTO框架是如何考虑安全和乘客舒适度的？
AUTO框架通过设计图形模型学习多模态语义特征的状态表示，并使用混合奖励函数来综合考虑安全、交通效率和乘客舒适度。
YOLOP网络的功能是什么？
YOLOP网络能够同时执行交通物体检测、可驾驶区域分割和车道检测，且在嵌入式设备上实现实时高精度表现。
混合预测集成规划系统HPP的优势是什么？
HPP通过创新设计的模块在预测和规划方面取得了最先进的性能，展示了卓越的准确性和一致性，解决了预测和规划中的主要挑战。
