【论文精读】NMP: End-to-end Interpretable Neural Motion Planner

@toc

1 背景信息

团队：Uber，多伦大大学
年份：2019
论文链接：https://arxiv.org/abs/2101.06679

2 Motivation

深度学习方案受限于累积误差suffers from the compounding error，而且可解释性差interpretability is difficult to obtain for analyzing the mistakes of the network，而且难以理解复杂的先验知识sophisticated prior knowledge。
传统的模块化自动驾驶的问题是，子任务的优化导致了整体的次优lead to a sub-optimal overall system performance。比如3D检测，对每个障碍物的权重都是一样的，但是对于驾驶员来说，远处的障碍物并不重要，近处的障碍物才重要，影响自己的决策。

3 相关工作

3.1 模仿学习

该方法受限于累积误差，需要大量的数据，而且泛化能力差，比如偏离车道的情况drifting out of lane。
注意：为什么作者会说偏离车道的情况是模仿学习不能泛化的场景呢？我觉得是因为这样的场景太少了，而且没有相应的loss要求自车回到中心线附近。

3.2 强化学习

暂时缺少实际应用，而且没有可解释性的中间表示do not produce interpretable representations。

3.3 基于优化的规划器

传统的规划方法是高度参数化的highly parallizable，需要很多精力去优化。

3 解决方案