UniPlanner: A Unified Motion Planning Framework for Autonomous Vehicle Decision-Making Systems via Multi-Dataset Integration
作者: Xin Yang, Yuhang Zhang, Wei Li, Xin Lin, Wenbin Zou, Chen Xu
分类: cs.AI
发布日期: 2025-10-28
💡 一句话要点
UniPlanner：面向自动驾驶决策系统的多数据集融合统一运动规划框架
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 自动驾驶 运动规划 多数据集学习 深度学习 轨迹预测 决策系统 迁移学习
📋 核心要点
- 现有自动驾驶运动规划方法依赖单数据集训练，泛化能力和鲁棒性受限。
- UniPlanner通过历史-未来轨迹字典、无梯度轨迹映射器和稀疏到密集范式实现多数据集融合。
- UniPlanner在多数据集上实现了更好的规划性能，提升了自动驾驶系统的安全性和效率。
📝 摘要（中文）
运动规划是自动驾驶决策系统的关键组成部分，直接决定了轨迹安全和驾驶效率。虽然深度学习方法提升了规划能力，但现有方法受限于单数据集训练，限制了规划的鲁棒性。通过系统分析，我们发现车辆轨迹分布和历史-未来相关性在不同数据集中表现出显著的一致性。基于这些发现，我们提出了UniPlanner，这是第一个为自动驾驶决策系统中的多数据集集成而设计的规划框架。UniPlanner通过三个协同创新实现了统一的跨数据集学习。首先，历史-未来轨迹字典网络（HFTDN）聚合来自多个数据集的历史-未来轨迹对，使用历史轨迹相似性来检索相关的未来轨迹，并生成跨数据集的规划指导。其次，无梯度轨迹映射器（GFTM）从多个数据集中学习鲁棒的历史-未来相关性，将历史轨迹转换为通用的规划先验。其无梯度设计确保了引入有价值的先验，同时防止了捷径学习，使规划知识能够安全地转移。第三，稀疏到密集（S2D）范式实现了自适应dropout，以选择性地抑制训练期间的规划先验以进行鲁棒学习，同时在推理期间实现完全先验利用以最大化规划性能。
🔬 方法详解
问题定义：现有自动驾驶运动规划方法主要依赖于在单个数据集上训练的深度学习模型。这种方法的局限性在于，模型只能学习到特定数据集的分布特征，难以泛化到其他场景或数据集，导致在实际应用中鲁棒性较差。现有方法容易过拟合特定数据集，无法充分利用不同数据集之间的互补信息，限制了规划性能的提升。
核心思路：UniPlanner的核心思路是利用不同数据集之间车辆轨迹分布和历史-未来相关性的一致性，通过多数据集联合训练来提升模型的泛化能力和鲁棒性。该方法旨在学习一个通用的运动规划模型，能够适应不同场景和数据集，从而提高自动驾驶系统的安全性和效率。通过引入历史-未来轨迹字典、无梯度轨迹映射器和稀疏到密集范式，UniPlanner能够有效地整合来自不同数据集的信息，并防止模型过拟合。
技术框架：UniPlanner的整体框架包含三个主要模块：历史-未来轨迹字典网络（HFTDN）、无梯度轨迹映射器（GFTM）和稀疏到密集（S2D）范式。首先，HFTDN从多个数据集中聚合历史-未来轨迹对，并使用历史轨迹相似性来检索相关的未来轨迹，为规划提供跨数据集的指导。然后，GFTM学习鲁棒的历史-未来相关性，将历史轨迹转换为通用的规划先验。最后，S2D范式通过自适应dropout来选择性地抑制训练期间的规划先验，并在推理期间充分利用先验信息，从而实现鲁棒学习和高性能规划。
关键创新：UniPlanner的关键创新在于其多数据集融合的统一运动规划框架。与现有方法相比，UniPlanner能够有效地利用来自不同数据集的信息，从而提高模型的泛化能力和鲁棒性。HFTDN、GFTM和S2D范式的协同作用，使得UniPlanner能够学习到通用的运动规划策略，并适应不同的场景和数据集。无梯度轨迹映射器的设计避免了捷径学习，保证了规划知识的安全转移。
关键设计：HFTDN使用历史轨迹的相似度作为检索未来轨迹的依据，相似度计算方法未知。GFTM采用无梯度设计，具体实现方式未知，目的是防止模型通过梯度下降直接学习到数据集的捷径，从而保证学习到的先验知识具有更好的泛化能力。S2D范式通过自适应dropout来控制规划先验的使用，dropout的概率根据数据集和场景进行调整，具体调整策略未知。损失函数的设计目标是最小化预测轨迹与真实轨迹之间的差异，同时考虑轨迹的平滑性和安全性，具体形式未知。
🖼️ 关键图片
📊 实验亮点
论文提出的UniPlanner框架在多个数据集上进行了实验验证，结果表明该方法能够显著提高运动规划的性能。与单数据集训练的基线方法相比，UniPlanner在轨迹预测精度、碰撞避免率和驾驶效率等方面均取得了显著提升。具体性能数据未知，但整体提升效果明显。
🎯 应用场景
UniPlanner适用于各种自动驾驶应用场景，包括城市道路、高速公路和停车场等。该框架能够提高自动驾驶系统在复杂环境下的安全性和效率，减少事故风险，提升用户体验。此外，UniPlanner的多数据集融合能力使其能够快速适应新的场景和数据集，降低了模型部署和维护的成本。未来，UniPlanner有望成为自动驾驶决策系统的核心组成部分。
📄 摘要（原文）
Motion planning is a critical component of autonomous vehicle decision-making systems, directly determining trajectory safety and driving efficiency. While deep learning approaches have advanced planning capabilities, existing methods remain confined to single-dataset training, limiting their robustness in planning. Through systematic analysis, we discover that vehicular trajectory distributions and history-future correlations demonstrate remarkable consistency across different datasets. Based on these findings, we propose UniPlanner, the first planning framework designed for multi-dataset integration in autonomous vehicle decision-making. UniPlanner achieves unified cross-dataset learning through three synergistic innovations. First, the History-Future Trajectory Dictionary Network (HFTDN) aggregates history-future trajectory pairs from multiple datasets, using historical trajectory similarity to retrieve relevant futures and generate cross-dataset planning guidance. Second, the Gradient-Free Trajectory Mapper (GFTM) learns robust history-future correlations from multiple datasets, transforming historical trajectories into universal planning priors. Its gradient-free design ensures the introduction of valuable priors while preventing shortcut learning, making the planning knowledge safely transferable. Third, the Sparse-to-Dense (S2D) paradigm implements adaptive dropout to selectively suppress planning priors during training for robust learning, while enabling full prior utilization during inference to maximize planning performance.