- nuPlan数据集要求精确的短期规划和长期自车预测（precise short-term planning and long-horizon ego-forecasting），但本文认为这两个任务没有对齐，需要分别讨论处理；
- 本文针对闭环和开环评测任务，设计了一个极其简单的规划器，在nuPlan 2023比赛中实现了最好的性能指标；
1. Introduction
- nuPlan收集了1300小时的行车数据
- 几个令人惊讶的发现：
- 开环和闭环的评估没有对齐（Open- and closed-loop evaluation are misaligned）；基于学习的规划器擅长自车轨迹预测，但是难以制定安全地闭环轨迹规划；但基于规则的规划器表现出相反的趋势；
- 基于规则的规划生成（Rule-based planning generalizes）；发现一个20年前的基准算法优于当前的基于学习的 sota 算法的闭环评估指标；之前的算法对比中，都忽略了基于学习的算法和基于规则的算法对比，因此没发现这个问题；
- 对于自车预测，只需要一条中心线即可（A centerline is all you need for ego-forecasting）；本文实施了一个非常简单地基于学习的规划器，该规划器不接受场景中任何他车信息，仅根据期望车道的中心线推断自车状态；该方法在开环评测中成了新的sota；不需要任务复杂的场景表示（e.g. lane graphs, vectorized maps, rasterized maps, tokenized objects）
- 主要贡献：
- 发现和分析了规划在闭环和开环评估中的误对齐的现象；
- 扩展IDM算法，设计了轻量化的算法，实现了最好的闭环评估表现；
- 开环评估中只考虑当前的运动状态和中心线，效果反而比其他复杂输入表征的模型好；
- 上述两个模型合为一个混合规划器，在nuPlan challenge 2023中获得了最好的成绩；
2 Related Work
3 Ego-forecasting and Planning are Misaligned
自车预测和规划常常被看做是相关的任务，但他们在nuPlan上是没有对齐的；一个任务变好常常可能导致另一个任务变差；
3.1 Background
open-loop score (OLS)
closed-loop score non-reactive (CLS-NR)
closed-loop score reactive (CLS-R)
Intelligent Driver Model (IDM) 规划器：
Given the current longitudinal position x, velocity v, and distance to the leading vehicle s along the centerline, it iteratively applies the following policy to calculate a longitudinal acceleration
3.2 Misalignment
Centerline-conditioned ego-forecasting
- 设计的开环预测器 Predictive Driver Model (Open)，简称 PDM-Open，简单地用MLP预测未来的轨迹点；
- 输入： The inputs to this MLP are the centerline (c) extracted by IDM and the ego history (h)；自车历史信息包括了自车过去两秒的位置、速度、加速度，采样频率为5Hz；
- 开环分数高的算法在闭环分数就会比较低，两者指标体系没对齐；
- IDM选择了和中心线不同的车道，但始终是保存在路上的状态；
- PDM短期预测的过程中误差积累较大（出现了驶离道路的情况），长期误差小，最后预测轨迹基本都沿着车道中心线；
3.3 Methods
将规划模型和预测模型结合。弥补了预测模型短期预测不准确，规划模型长期规划不准确的问题；
总结
本文提出的想法很大胆，不过确实是在实践中发现的一个真问题，认为规划的开环和闭环评估指标没有对齐，导致一个指标高另一个指标就会低，并且用一个非常简单的模型就实现了远超其它复杂模型的效果，在2023 nuPlan比赛上获得了第一名；遗憾的是，怎么才能对齐开环和闭环指标本文并没有讨论；