本文主要是SafetyNet的框架概述。
1. 前言
文中提到了传统的决策规划的方法,主要有基于规则的方法和基于学习的方法。该论文提出了一种新的方法(文章自己说是新的,最主要的原因是该方法在洛杉矶进行了道路测试。)
但是这里的Fallback layer和基于规则的有很大不同,传统的基于规则的会设计代价函数,函数的权值的确定工作比较困难,但是这里的fallback层只需对得到轨迹进行硬约束的评价,方法简单。所以在工作量方面有本质的区别。(关于具体怎么进行判断后文会叙述)
2. 系统架构
2.1 MLplanner
2.2 Fallback layer
3. 效果
从效果上看,该方法对只用ML planner的效果提升了很多,但是相应的有一个缺点,就是决策规划的passiveness上升了许多,可以猜测是fallback层影响了最终的决策,终究是有些保守。
效果看图
4. 相关视频和资料
首页
https://woven-planet.github.io/l5kit/introduction.html
文档
https://www.self-driving-cars.org/papers/2022-safetynet
源码
https://github.com/woven-planet/l5kit