nuPlan: A closed-loop ML-based planning benchmark for autonomous vehicles
nuPlan 是一个针对自动驾驶车辆的闭环机器学习(ML-based)规划基准测试
Abstract
在这项研究中,我们首次提出了一个闭环的基于机器学习的自动驾驶规划基准测试。尽管基于机器学习的运动规划器日益增多,但缺乏成熟的数据集和评价指标限制了该领域的发展。现有的自动驾驶车辆运动预测基准主要集中在短期运动预测上,而不是长期规划。这导致以往的研究采用基于 L2 指标的开环评估,这并不适用于长期规划的公正评价。我们的基准测试通过引入大规模的驾驶数据集、轻量级的闭环模拟器和专门针对运动规划的度量标准来克服这些限制。我们提供了一个高质量的数据集,包含了来自美国和亚洲4个城市(波士顿、匹兹堡、拉斯维加斯和新加坡)的1500小时人类驾驶数据,这些地区交通模式差异显著。我们还将提供一个闭环模拟框架,其中包括反应性代理,并提供了一系列通用和特定场景的规划度量标准。我们计划在 2021 年的 NeurIPS 会议上发布该数据集,并从 2022 年初开始组织基准测试挑战。
1. Introduction
在过去几年中,结合了大规模人工标注数据集和深度卷积神经网络的技术,已经在自动驾驶汽车(AV)的感知能力上取得了令人瞩目的性能提升[9, 4]。然而,目前针对 AV 规划的解决方案主要还是依赖于精心设计的专业系统,这些系统需要大量的工程努力来适应不同的地理位置,并且它们并不随着训练数据的增加而自动扩展。我们认为,提供合适的数据和度量标准将促进基于机器学习的规划方法的发展,并为实现全面的“软件 2.0”技术体系铺平道路。这种技术体系强调利用机器学习模型来设计和实现软件功能,而不是传统的基于规则的编程方法。
现有的真实世界基准测试主要关注短期运动预测,也就是通常所说的预测[6, 4, 11, 8],而不是长期规划。这一点从缺少高级目标、所选的度量标准,以及开环评估方式中都可以看出。运动预测主要关注其他交通参与者的行为,而规划则与自车的行为密切相关。
在自动驾驶领域,运动预测通常涉及预测其他车辆、行人或自行车等在未来短时间内的运动轨迹。而规划则是基于这些预测,以及自车的当前状态和高级目标(如目的地),来决定自车的最佳行驶路径和行为。规划过程需要考虑更多的长期因素,如遵守交通规则、优化行程时间或舒适性等。
现有的基准测试可能没有为长期规划提供足够的支持,这可能是因为短期预测在技术上更容易实现,或者因为缺乏合适的数据和评估方法。然而,为了实现更高级的自动驾驶功能,需要开发能够进行长期规划的系统,并为这些系统提供相应的基准测试和度量标准。
预测通常具有多模态性,这意味着对于每个交通参与者,我们会预测 N 条最可能的轨迹。与此相反,规划通常是单模态的(紧急规划情况除外),我们只预测一条轨迹。例如,在图 1a 中,在一个交叉路口左转或右转是同样可能的选项。预测数据集缺少一个基线导航路线来指示参与者的高级目标。在图 1b 中,立即合并车道或稍后再合并都是同样有效的选择,但常用的基于 L2 距离的度量方法(最小平均误差 minADE、最小最终误差 minFDE 和未命中率)会惩罚那些在数据中未被观察到的选项。直观上讲,在多模态场景中,预测轨迹与实际观察到的轨迹之间的距离并不是一个合适的评估指标。在图 1c 中,是否继续超车或回到车道的决定应该基于所有交通参与者连续动作的考量,这在开环评估中是无法实现的。缺乏闭环评估会导致系统性偏差,使得评估难以扩展到更长远的时间范围(3-8 秒)。
图 1 展示了不同的驾驶场景,用以突出现有基准测试的不足之处。图中自车的观测行驶路线用白色表示,而假想的规划器路线则用红色表示:
(a) 由于缺少目标,导致在交叉路口出现不确定性。
(b) 位移度量标准并未充分考虑驾驶行为的多模态性。
© 开环评估没有顾及到交通参与者之间的相互作用。
这些场景说明了在自动驾驶规划中,需要更先进的评估方法来准确反映车辆在复杂交通环境中的行为和决策过程。
我们提供了一个规划基准测试来解决这些不足。我们的主要贡献是:
• 最大的现有公共真实世界自动驾驶数据集:包含来自 4 个城市的高质量自动标注轨迹,这是目前最大的公共数据集。
• 与交通规则违规相关的规划度量:度量标准涉及评估自动驾驶车辆是否违反交通规则。
• 首个公共基准:提供首个公共基准,用于通过闭环规划器评估协议来评估真实世界数据上规划器的性能。
2. Related Work
我们对预测和规划数据集、仿真技术以及基于机器学习的规划领域的相关文献进行了综述。
预测数据集方面,表 1 展示了我们的 dataset 与现有相关预测 dataset 的对比情况。Argoverse Motion Forecasting [6] 作为首个大规模预测 dataset,凭借 320 小时的驾驶数据,在数据量上具有开创性,并提供了包含中心线和可行驶区域标注的简单语义地图。但受限于当时的物体检测技术水平以及人工标注训练数据的不足(仅涵盖 113 个场景),该 dataset 中的自动标注轨迹质量相对较低。
nuScenes 预测挑战赛 [4] 包含了来自 nuScenes 数据集的 850 个人工标注场景。虽然提供了高质量的标注和传感器数据,但其规模较小,限制了驾驶场景的多样性。Lyft Level 5 预测数据集 [11] 包含了单一路线 6.8 英里路程上的 1118 小时数据。它具备详尽的语义地图、航拍地图和动态交通灯状态信息。尽管在规模上是前所未有的,但自动标注的轨迹往往存在噪声,且地理多样性受限。Waymo 开放运动数据集 [8] 专注于代理之间的交互,但采用的是开环评估方式。虽然其数据集规模小于其他现有数据集,为 570 小时,但自动标注的轨迹质量很高 [17]。它们同样提供了语义地图和动态交通灯状态信息。
这些数据集主要关注于运动预测,而不是长期规划。在本项工作中,我们旨在通过引入规划相关的度量标准和闭环评估方法来解决这一限制。我们的数据集是首个大规模提供传感器数据集,这为自动驾驶车辆的规划和决策提供了更为丰富的信息。通过结合传感器数据和规划度量,我们能够更全面地评估和提升自动驾驶系统的性能。
规划数据集方面,CommonRoad [1] 作为首个此类规划基准测试平台,包含了不同的车辆模型、成本函数以及包含目标和约束条件的场景。它提供了预先录制和交互式两种类型的场景。尽管 CommonRoad 拥有总共 5700 个场景,但其规模仍然无法满足现代基于深度学习的方法的训练需求。此外,所有场景均未提供传感器数据,这限制了其在自动驾驶规划领域的应用。
仿真器因其能够在一个闭环环境中模拟物理现象、代理行为和环境条件,从而在规划和强化学习方面促成了重大突破。通过这种方式,仿真器提供了一个可控的测试平台,允许研究人员在安全的环境中试验和优化自动驾驶算法,而不必担心真实世界中的风险和成本。此外,仿真器还可以生成大量多样化的数据,这对于训练和评估机器学习模型至关重要。
AirSim [19] 是一款用于自动驾驶车辆(AVs),包括无人机和汽车的高保真度模拟器。它内置了一个物理引擎,能够以高频率运作,支持实时硬件在环仿真。CARLA [7] 是一个用于训练和验证自动驾驶城市驾驶系统的平台。它允许用户灵活地配置传感器组合和环境条件。在 CARLA 自动驾驶挑战赛中,参赛者的目标是利用不同的传感器数据和高清地图来导航通过一系列航点。此外,用户还可以使用场景抽象方法来忽略感知任务,专注于规划和控制方面。这个挑战赛在概念上与我们提出的基准测试相似,但它不使用真实世界数据,并且在规划度量方面提供的细节较少。
仿真到现实(Sim-to-Real)转移是包括定位、感知、预测、规划和控制等多个任务领域的一个活跃研究方向。[21] 通过将一个在合成数据上训练的追踪模型应用到 KITTI [9] 数据集上,展示了模拟数据与现实世界数据之间存在的领域差异问题。为了克服这一领域差异,他们采用现实世界数据和模拟数据****共同训练模型,其中现实世界数据用于训练可见对象的识别,而模拟数据用于训练遮挡对象的识别。[3] 展示了如何通过从仿真环境到现实世界的转移,学习实现基于视觉的车道跟随驾驶策略,且此过程不需要现实世界的标签数据。[14] 利用仿真中的强化学习来开发一个驾驶系统,该系统能够控制一个真实世界中的全尺寸车辆。他们主要依赖合成数据进行训练,在分割网络的训练中仅使用了少量的标记现实世界数据。这些研究表明,尽管存在领域差异,但通过结合使用现实世界数据和模拟数据,可以在一定程度上实现从仿真到现实的知识转移。
然而,所有的仿真模拟都有其基本的限制,这是因为它们在模拟过程中会产生系统性的偏差。为了更加逼真地模拟现实世界的传感器,比如生成具有照片级真实感的相机图像,还需要进行更多的研究和开发工作。这意味着尽管仿真环境在自动驾驶技术的研究和开发中非常有用,但它们并不能完全替代真实世界的数据和经验。
基于机器学习的规划是自动驾驶车辆领域的一个新兴研究方向,它使用真实世界数据进行规划。但目前该领域尚未统一输入输出空间、数据集或评估指标的标准。[18] 提出了一个能够联合学习的行为和轨迹规划器。该规划器在感知、预测和车辆动力学模型的基础上,学习了一个可解释的成本函数,并在两个未公开的数据集上进行了开环测试。[24] 提出了一个端到端可解释的神经运动规划器,它接受原始的激光雷达点云和动态地图数据作为输入,预测规划所需的代价图。该规划器在仅规划3秒内的未来的情况下,在一个未公开的数据集上进行了开环评估。ChauffeurNet [2] 发现标准的行为克隆方法不足以应对复杂的驾驶场景,即便使用了高达3000万的样本数据。他们建议通过向学习器提供专家驾驶的扰动合成数据,并在模仿损失中加入额外的损失项,以惩罚不良事件并鼓励模型取得进展。他们的未公开数据集包含2600万个样本,相当于60天的连续驾驶数据。该方法在闭环和开环配置下以及在现实世界中都进行了评估。他们还指出,与闭环评估相比,开环评估可能会产生误导。MP3 [5] 提出了一种无需地图的端到端驾驶方法,输入为原始激光雷达数据和高级导航目标。他们在一个未公开的数据集上进行了开环和闭环评估。多模态方法也在最近的研究中被探索,这些方法尝试了不同的策略来融合各种模态的表征,以预测未来的航点或控制命令。[15, 10] 中也使用了神经规划器,通过比较计划轨迹和实际观察到的轨迹之间的 KL 散度来评估物体检测器的性能。
目前的研究工作基于不同的评估指标进行评价,而这些指标在学术文献中并不统一。TransFuser [16] 通过违规次数、完成路线所需距离的百分比,以及考虑违规因素的路线完成率来评估其方法。违规行为包括与其他交通参与者发生碰撞和违反红灯信号。[20] 使用车辆驶离路面的时间、驶离车道的时间以及碰撞次数来评估其规划器的性能,而 [13, 22] 则报告了在固定时间范围内成功到达预定目的地的比率。[13] 还引入了另一种评估指标,即测量到达目标所需的平均距离百分比。
尽管基于机器学习的规划方法已经被广泛而深入地研究,但由于缺少公开的数据集和一套标准化的度量标准,这些标准应为闭环评估提供一个共同的框架,这限制了该领域的进一步发展。我们的目标是通过提供基于机器学习的数据集和度量标准来填补这一空白。这样,研究人员和开发者就可以在统一的标准下评估和比较不同的规划算法,从而推动自动驾驶规划技术的进步。
3. Dataset
我们将发布来自拉斯维加斯、波士顿、匹兹堡和新加坡的共计 1500 小时的驾驶数据。每个城市都有其独特的驾驶挑战。例如,拉斯维加斯包含了繁忙的赌场接送区域,这些地方交通交互复杂,并且有多达每方向 8 条车道的繁忙十字路口;波士顿的路线中包含了习惯于双排停车的驾驶员;匹兹堡有其独特的左转交通规则;新加坡则以左侧行驶著称。对于每个城市,我们都提供了详细的语义地图和高效的地图查询 API。数据集涵盖了激光雷达点云、摄像头图像、定位信息以及转向输入。尽管我们为整个数据集提供了自动标注的代理轨迹,但由于数据集规模庞大(超过 200 太字节),我们仅提供了传感器数据的一部分。这样的数据集将为自动驾驶车辆的感知、预测和规划算法提供丰富的真实世界场景和挑战。
自动标注。我们利用一个离线感知系统对大规模数据集进行高精度的标注,这不受自动驾驶车辆(AV)在线感知系统必须遵守的实时性限制。我们采用了 PointPillars [12] 与 CenterPoint [23] 技术,以及改进版的多视图融合(MVF++)[17] 和非因果追踪技术,以达到接近人类标注者的性能水平。
场景标注。为了支持基于场景的度量标准,我们自动地为复杂场景的时段添加标签。这些场景包括:
• 车道合并
• 车道变换
• 受保护或不受保护的左转和右转
• 与骑自行车的人的互动
• 在人行横道或其他地点与行人的互动
• 与距离过近或加速度过高的车辆的互动
• 双排停放的车辆
• 受停车标志控制的交叉路口
• 在施工区域驾驶
通过自动识别和标注这些复杂的交通场景,数据集能够为自动驾驶系统的开发和评估提供丰富的上下文信息,从而使得基于场景的规划和决策更加精准和可靠。这种场景标注方法有助于在特定场景下评估自动驾驶算法的性能,并为解决特定驾驶挑战提供数据支持。
4. Benchmarks
为了推动基于机器学习的规划技术达到新的高度,我们组织了以下描述的任务和指标的基准挑战。
4.1. Overview
为了评估一个提议的方法与基准数据集的对比,用户需要将基于机器学习的规划代码提交到我们的评估服务器。代码必须遵循提供的模板。与大多数基准测试不同,为了在秘密测试集上实现闭环评估的便携性,代码被容器化。规划器要么操作在自动标记的轨迹上,要么对于端到端的开环方法,直接操作原始传感器数据。当查询特定时间步时,规划器返回自车计划的位置和航向。然后,一个提供的控制器将驾驶车辆,同时紧密跟踪计划的轨迹。我们使用一个预定义的运动模型来模拟自车的运动,以近似一个真实系统。最终驱动的轨迹然后根据第4.2节中定义的指标进行评分。
4.2. Tasks
我们为我们的数据集呈现了三种不同难度的任务。
开环。在第一个挑战中,我们要求规划系统模仿人类驾驶员。对于每一个时间步,轨迹会根据预定义的指标进行评分。它不用于控制车辆。在这种情况下,不考虑任何交互。
闭环。在闭环设置中,规划器使用每个时间步可用的信息输出一个计划好的轨迹,这与前一种情况类似。然而,提出的轨迹被用作控制器的参考,因此,规划系统在每个时间步都会根据车辆的新状态逐渐进行校正。虽然车辆的新状态可能与记录的状态不一致,导致不同的摄像头视图或激光雷达点云,但我们将不执行任何传感器数据扭曲或新视图合成。在这组设置中,我们区分了两个任务。在非反应性闭环任务中,我们不对其他代理的行为做任何假设,只是简单地使用观察到的代理轨迹。如[11]所示,闭环模拟中绝大多数的干预是由于非反应性本质,例如,车辆天真地与自车发生碰撞。在反应性闭环任务中,我们为所有跟踪的代理提供了一个规划模型,就像对自车一样。
4.3. Metrics
我们将指标分为两类:一类是通用指标,它们针对每个场景都会进行计算;另一类是场景基础指标,它们是为预定义的场景量身定制的。
Common metrics.
• 交通规则违规用于衡量对通用交通规则的遵守程度。我们计算与其他代理发生碰撞的比率、驶离道路轨迹的比率、与前导代理的时间间隔、碰撞时间以及通过代理时的相对速度作为通过距离的函数。
• 人类驾驶相似度用于量化与人类相比的驾驶操作满意度,例如,纵向速度误差、纵向停车位置误差和横向位置误差。此外,产生的急动度/加速度与人类水平的急动度/加速度进行比较。
• 车辆动力学量化乘客舒适度和轨迹的可行性。乘客舒适度通过急动度、加速度、转向速率和车辆振荡来衡量。可行性是通过违反同一标准的预定义限制来衡量的。
• 目标达成度通过使用L2距离来衡量地图上目标航点的路线进度。
场景基础指标。基于第3节中的场景标签,我们为具有挑战性的操作使用额外的指标。对于变道,我们测量并评分目标车道上的碰撞时间和与前/后代理的时间间隔。对于行人/自行车交互,我们量化通过时的相对速度,同时区分他们的位置。此外,我们比较规划器和人类在人行横道和无保护转弯(路权)上做出的决策之间的一致性。
社区反馈。请注意,这里展示的指标是一个初步提议,并不是一个详尽的列表。我们将与社区紧密合作,增加新的情境和指标,以在社区内达成共识。同样地,对于主要挑战指标,我们看到了多种选项,例如,指标的加权总和、超过预定义阈值的指标违规的加权总和,或者指标的层级结构。我们邀请社区与我们合作,定义将推动这一领域前进的指标。
5. Conclusion
在这项工作中,我们提出了第一个基于机器学习(ML)的自动驾驶车辆(AVs)规划基准。与现有的预测基准不同,我们专注于基于目标的规划、规划指标和闭环评估。我们希望通过提供一个共同的基准,为基于机器学习的规划铺平道路,这是自动驾驶的最后前沿之一。