【集度汽车】用于无高精地图自动驾驶的GAD生成学习

集度汽车提出的GAD生成学习是一种用于无高精地图自动驾驶的深度学习方法，通过整合预测、决策和规划模块，仅使用少量人类驾驶数据训练，实现了在复杂城市场景中的可行性和商业潜力。一、研究背景与动机传统自动驾驶系统的局限性：当前量产自动驾驶软件栈主要依赖深度学习优化感知模块，部分扩展至预测模块，但规划和控制模块仍依赖人工规则设计的优化方法（如二次规划、模型预测控制）。这种基于规则的方法在极端场景下存在性能瓶颈，无法灵活应对复杂城市场景。无高精地图的挑战：高精地图的覆盖范围和维护成本限制了自动驾驶的规模化应用，尤其在动态变化的城市场景中，依赖实时环境感知的需求更为迫切。研究目标：提出一种基于深度学习的端到端方法，整合预测、决策和规划模块，减少对人工规则的依赖，提升系统在无高精地图条件下的适应性和鲁棒性。二、方法创新点行业级范式：数据驱动的预测-规划整合非参数信息利用：模型通过非参数化处理上游感知模块的输出（如目标检测结果），减少对感知精度的依赖，提升对噪声和误差的容忍度。主干网络共享：在一个深度神经网络（DNN）中同时处理预测和规划任务，通过共享特征提取层降低计算冗余，提升实时性。端到端训练：直接从原始传感器数据映射到规划控制指令，避免模块间信息传递的累积误差。复杂城市场景的闭环评估真实道路测试：首次在复杂城市场景中，使用工厂原配传感器套件（如摄像头、雷达）和计算平台部署系统，验证其在实际交通环境中的可行性。闭环评估必要性：通过对比线下模仿指标（如轨迹跟踪误差）和真实闭环测试结果，证明仅依赖离线指标无法全面评估系统性能，闭环测试是验证自动驾驶安全性的关键。生成学习潜力挖掘：max-margin规划与多模态模仿结合max-margin规划：引入最大间隔规划方法，通过优化决策边界提升系统对复杂场景的决策能力，避免陷入局部最优解。多模态轨迹采样：生成多种可能的未来轨迹，结合模仿学习从人类驾驶数据中学习最优策略，提升系统对多样交通参与者的适应能力。超越简单模仿：通过结合规划约束和模仿学习，解决纯数据驱动方法可能产生的非可行轨迹问题，提升规划结果的合理性和安全性。三、实验与结果数据集与训练数据规模：仅使用10小时的人类驾驶数据训练模型，显著低于行业平均水平，证明方法的高效性。传感器配置：采用量产级传感器套件（如单目摄像头、低成本雷达），无需额外高精地图或激光雷达，降低部署成本。性能验证ADAS功能支持：模型支持所有量产ADAS功能（如自适应巡航、车道保持、自动变道等），验证其通用性。极端场景应对：在无保护左转、行人突然闯入等复杂场景中，系统通过生成学习策略成功完成规划，避免依赖人工规则导致的僵化决策。计算效率：在原厂计算平台上实时运行，帧率满足量产要求，证明其轻量化设计。四、商业潜力与行业影响量产可行性：方法无需修改工厂传感器和计算平台，可直接集成至现有量产车型，缩短研发周期并降低成本。无高精地图适配：通过实时环境感知和生成学习，减少对高精地图的依赖，拓展自动驾驶应用范围（如地理围栏内区域、动态更新场景）。数据驱动优势：相比人工规则设计，数据驱动方法可持续通过真实驾驶数据迭代优化，适应不断变化的交通环境和驾驶风格。五、总结集度汽车提出的GAD生成学习通过整合预测、决策和规划模块，结合max-margin规划与多模态模仿学习，在无高精地图条件下实现了高效、安全的自动驾驶。其轻量化设计、闭环评估验证和量产适配性为行业提供了新范式，推动自动驾驶技术向更通用、更智能的方向发展。