Towards learning-based planning:The nuPlan benchmark for real-world autonomous driving

机器学习（ML）已经取代了传统的手工方法，成为自动驾驶车辆感知和预测的方法。然而，对于同样重要的规划任务，基于ML的技术采用速度较慢。我们提出了nuPlan，这是世界上第一个真实世界的自动驾驶数据集和基准。该基准旨在测试基于ML的规划器处理各种驾驶情况并做出安全有效决策的能力。为此，我们引入了一个新的大规模数据集，其中包括来自4个城市（拉斯维加斯、波士顿、匹兹堡和新加坡）的1282小时的多样化驾驶场景，并包括高质量的自动标记对象轨迹和交通灯数据。我们详尽地挖掘和分类常见和罕见的驾驶场景，这些场景在评估过程中被用来获得对规划器性能和特征的细粒度见解。除了数据集，我们提供了一个模拟和评估框架，使规划器的行动可以在闭环中模拟，以考虑与其他交通参与者的交互。我们对众多基线进行了详细分析，并调查了基于ML和传统方法之间的差距。在nuplan.org上找到nuPlan数据集和代码。

论文旨在解决自动驾驶规划任务中采用机器学习方法较慢的问题，提出了nuPlan数据集和基准测试，以测试ML规划器处理各种驾驶情况的能力和做出安全高效决策的能力。

论文提出了一个新的大规模数据集，包括来自四个城市的1282小时的多样化驾驶场景和高质量的自动标记的物体轨迹和红绿灯数据，提出了一种模拟和评估框架，使规划器的行动可以在闭环中模拟，考虑到与其他交通参与者的交互。

值得关注的亮点包括提出了一个新的大规模数据集和基准测试，提供了模拟和评估框架，并对多个基线进行了详细分析和调查。

最近在这个领域中，还有一些相关的研究，如ApolloScape，Argoverse，L3AD，Waymo Open Dataset等。