QuAD: Query-based Interpretable Neural Motion Planning for Autonomous Driving

自动驾驶汽车必须理解其环境以确定适当的行动。传统的自主系统依赖于对象检测来查找场景中的代理。然而，对象检测假定一组离散的对象，并且失去了有关不确定性的信息，因此任何错误都会在预测这些代理的未来行为时累积。相反，密集的占用格网图已被用于理解自由空间。然而，为整个场景预测网格是浪费的，因为只有某些时空区域是可达和与自动驾驶汽车相关的。我们提出了一个统一的、可解释的和高效的自主框架，摆脱了先感知、然后预测、最后规划的级联模块。相反，我们将范式转移为规划者查询相关时空点的占用情况，将计算限制在感兴趣的区域内。利用这种表示，我们评估候选轨迹，围绕碰撞回避、舒适和进展等关键因素进行安全和可解释性的解释。我们的方法在高保真闭环模拟中实现了比现有技术更好的高速公路驾驶质量。

提高自动驾驶汽车的驾驶品质，通过减少计算量和提高可解释性来提高效率。

通过在关键的时空点查询占用情况，限制计算范围，从而实现对自动驾驶车辆的安全性和可解释性的评估。

论文提出了一种新的自动驾驶汽车框架，可以通过查询占用情况来评估可能的轨迹。实验表明，该方法在高保真度的闭环模拟中比现有方法实现了更好的高速公路驾驶品质。

最近的相关研究包括： 1. 运用深度学习预测自动驾驶汽车行为的研究 2. 基于激光雷达的自动驾驶汽车环境感知研究 3. 自动驾驶汽车路径规划的研究