端到端自動(dòng)駕駛框架實(shí)現(xiàn)了感知與規(guī)劃的無縫集成，但通常依賴于一次性軌跡預(yù)測(cè)，這可能導(dǎo)致控制不穩(wěn)定，并且對(duì)單頓感知中的遮擋問題較為敏感。為解決這一問題，我們提出了動(dòng)量感知駕駛框架Momentum-Aware Driving(MomAD)，該框架引I入了軌跡動(dòng)量和感知?jiǎng)恿浚苑€(wěn)定和優(yōu)化軌跡預(yù)測(cè)。

MomAD包含兩個(gè)核心組件：一是拓?fù)滠壽E匹配(TTM)，采用豪斯多夫距離選擇與先前路徑一致的最優(yōu)規(guī)劃查詢，以確保連貫性;二是動(dòng)量規(guī)劃交互器(MPI)，通過交叉注意力機(jī)制將選定的規(guī)劃查詢與歷史查詢相結(jié)合，擴(kuò)展靜態(tài)和動(dòng)態(tài)感知文件。這種豐富的查詢反過來有助于重新生成長(zhǎng)時(shí)間跨度的軌跡，并降低碰撞風(fēng)險(xiǎn)。為了減輕動(dòng)態(tài)環(huán)境和檢測(cè)誤差帶來的噪聲，我們?cè)谟?xùn)練過程中引入了魯棒的實(shí)例去噪，使規(guī)劃模型能夠?qū)Ｗ⒂陉P(guān)鍵信號(hào)并提高其魯棒性。我們還提出了一種新的軌跡預(yù)測(cè)一致性(TPC)指標(biāo)，用于定量評(píng)估規(guī)劃的穩(wěn)定性。

在nuScenes數(shù)據(jù)集上的實(shí)驗(yàn)表明，MomAD在長(zhǎng)期一致性(>3s)方面優(yōu)于現(xiàn)有的最先進(jìn)方法。此外，在精心設(shè)計(jì)的Turning-nuScenes數(shù)據(jù)集上的評(píng)估顯示，MomAD在6秒預(yù)測(cè)時(shí)間范圍內(nèi)將碰撞率降低了26%，并將TPC提高了0.97米(33.45%)，而在Bench2Drive上的閉環(huán)測(cè)試中，成功率提高了16.3%。

? 論文鏈接：

https://arxiv.org/abs/2503.03125

?論文代碼：

https://github.com/adept-thu/MomAD

研究背景

自動(dòng)駕駛技術(shù)經(jīng)歷了從模塊化到更集成化的端到端范式的轉(zhuǎn)變。傳統(tǒng)方法將檢測(cè)、跟蹤、地圖構(gòu)建、運(yùn)動(dòng)預(yù)測(cè)和規(guī)劃等任務(wù)分開處理，而端到端框架則強(qiáng)調(diào)這些任務(wù)的無縫集成。通過優(yōu)先考慮規(guī)劃，端到端框架能夠戰(zhàn)略性地引導(dǎo)來自上游感知模塊的信息，從而增強(qiáng)動(dòng)態(tài)駕駛環(huán)境中的魯棒性和可靠性。高質(zhì)量的規(guī)劃依賴于準(zhǔn)確預(yù)測(cè)自車未來的軌跡，這需要對(duì)靜態(tài)和動(dòng)態(tài)環(huán)境因素（如地圖元素和與周圍交通參與者的交互）有長(zhǎng)遠(yuǎn)的理解。

然而，由于其他道路使用者意圖的不確定性、道路條件的變化以及人類駕駛行為引入的模糊性，軌跡預(yù)測(cè)本質(zhì)上是隨機(jī)的，這使得確定性預(yù)測(cè)變得次優(yōu)甚至具有風(fēng)險(xiǎn)。現(xiàn)有的多模態(tài)軌跡規(guī)劃方法雖然能夠考慮多種可能的交通參與者行為，但它們通常是基于當(dāng)前感知幀的一次性預(yù)測(cè)，容易受到遮擋或關(guān)鍵視覺線索丟失的影響，導(dǎo)致軌跡質(zhì)量下降。此外，缺乏時(shí)間一致性可能導(dǎo)致連續(xù)軌跡缺乏連貫性，引發(fā)不穩(wěn)定的車輛控制。為了解決這些問題，本文提出了動(dòng)量感知駕駛框架 (MomAD) ，通過引入軌跡動(dòng)量和感知?jiǎng)恿縼矸€(wěn)定和優(yōu)化軌跡預(yù)測(cè)，從而在動(dòng)態(tài)駕駛環(huán)境中實(shí)現(xiàn)更平滑和一致的規(guī)劃結(jié)果。

根據(jù)上圖對(duì)比我們可以看到，(a) 確定性規(guī)劃的方案，缺乏動(dòng)作多樣性，存在安全風(fēng)險(xiǎn)；(b)多模態(tài)軌跡規(guī)劃方案，通過選擇最高分軌跡，但存在最大分?jǐn)?shù)偏移問題導(dǎo)致穩(wěn)定性不足；(c)我們提出的MomAD巧妙利用“慣性”的思想，通過動(dòng)量規(guī)劃，利用歷史和感知?jiǎng)恿刻嵘龝r(shí)序一致性，解決端到端自動(dòng)駕駛中不穩(wěn)定行駛的問題。

研究方法

Topological Trajectory Matching

該模塊通過Hausdorff距離選擇與歷史路徑最匹配的多模態(tài)軌跡提案，以確保時(shí)序一致性和軌跡的連續(xù)性。具體來說，TTM模塊通過最小化不同時(shí)間步之間的規(guī)劃差異，防止軌跡偏離歷史軌跡。

Momentum Planning Interactor

該模塊通過長(zhǎng)時(shí)查詢混合器將當(dāng)前最佳規(guī)劃查詢與歷史規(guī)劃查詢進(jìn)行交叉注意力處理，擴(kuò)展靜態(tài)和動(dòng)態(tài)感知文件，從而豐富當(dāng)前查詢的上下文信息。MPI模塊通過結(jié)合歷史查詢和當(dāng)前查詢，生成改進(jìn)的軌跡預(yù)測(cè)，增強(qiáng)了對(duì)周圍環(huán)境的感知能力。

Robust Instance Denoising via

Perturbation

在訓(xùn)練過程中引入受控噪聲擾動(dòng)，使模型能夠區(qū)分關(guān)鍵和無關(guān)特征，提高對(duì)感知噪聲的魯棒性。通過這種方式，模型在測(cè)試時(shí)能夠更好地應(yīng)對(duì)實(shí)例特征的波動(dòng)，生成更穩(wěn)定和平滑的軌跡。

結(jié)果與分析

如表所示，MomAD在L2誤差、碰撞率和TPC（軌跡預(yù)測(cè)一致性）上分別達(dá)到了0.60米、0.09%和0.54米。與UniAD、VAD和SparseDrive等最先進(jìn)方法相比，我們的方法在規(guī)劃結(jié)果上表現(xiàn)出色。值得注意的是，我們?cè)赥PC指標(biāo)上取得了顯著改進(jìn)，在nuScenes數(shù)據(jù)集上1秒、2秒和3秒的TPC分別提升了0.30米、0.53米和0.78米，直接證明了我們?cè)跁r(shí)間一致性方面的有效性。

總體而言，MomAD有效利用了動(dòng)量的平滑優(yōu)勢(shì)，在提升時(shí)間一致性方面效果顯著。

準(zhǔn)確的長(zhǎng)軌跡預(yù)測(cè)對(duì)于提升自動(dòng)駕駛的穩(wěn)定性至關(guān)重要，同時(shí)也有助于評(píng)估模型解決多模態(tài)軌跡規(guī)劃中時(shí)間一致性問題的能力。如表所示，我們?cè)趎uScenes和Turning-nuScenes數(shù)據(jù)集上對(duì)比了SparseDrive和MomAD在4-6秒長(zhǎng)軌跡預(yù)測(cè)中的表現(xiàn)，結(jié)果顯示MomAD在性能上有顯著提升。

具體而言，在nuScenes數(shù)據(jù)集中，與SparseDrive相比，MomAD在4秒、5秒和6秒的L2誤差分別降低了0.09米（5.14%）、0.34米（14.66%）和0.50米（16.95%），碰撞率分別降低了0.04%、0.11%和0.20%，TPC（軌跡預(yù)測(cè)一致性）分別降低了0.14米（10.53%）、0.21米（12.65%）和0.38米（19.10%）。

此外，在Turning-nuScenes數(shù)據(jù)集中，與SparseDrive相比，MomAD在4秒、5秒和6秒的L2誤差分別降低了0.27米（13.04%）、0.64米（23.62%）和0.85米（25.30%），碰撞率分別降低了0.06%、0.14%和0.26%，TPC分別降低了0.17米（11.04%）、0.73米（31.60%）和0.97米（32.45%）。

可以觀察到，MomAD在更遠(yuǎn)距離的軌跡預(yù)測(cè)上表現(xiàn)顯著提升，尤其是在6秒時(shí)的改進(jìn)幅度最大。總體而言，MomAD提升了長(zhǎng)軌跡預(yù)測(cè)的性能，進(jìn)一步證明了其能夠有效緩解時(shí)間一致性問題。

我們已在Bench2Drive數(shù)據(jù)集上進(jìn)行了具有挑戰(zhàn)性的閉環(huán)評(píng)估，結(jié)果如表所示。該數(shù)據(jù)集涵蓋44個(gè)交互場(chǎng)景，例如切入、超車、繞行，以及220條路線，覆蓋多種天氣條件和地點(diǎn)。我們的MomAD框架在成功率上分別比VAD多模態(tài)變體和SparseDrive分別提高了16.3%和8.4%，并在舒適度評(píng)分（軌跡平滑度）上分別提升了7.2%和5.3%，證明了其有效性。

結(jié)論

MomAD框架通過引入軌跡動(dòng)量和感知?jiǎng)恿浚@著提高了端到端自動(dòng)駕駛系統(tǒng)在軌跡規(guī)劃中的穩(wěn)定性和魯棒性。未來工作將探索擴(kuò)散模型和推測(cè)解碼方法，以進(jìn)一步提高軌跡多樣性和效率。

.