自动驾驶规划技术研究 - 当前端到端自动驾驶技术中BEV已成为标准范式 但规划模块进展缓慢 主要由于交互建模涉及博弈和不确定性 监督学习难以有效描述此类问题[2] - 交互规划本质上属于世界模型范畴 核心在于推理其他交通参与者的未来行为[4] - 关键技术挑战包括：如何在规划流程中融入交互 如何将交互转化为数学约束 如何高效求解 以及参数调优问题[5] 交互规划框架比较 - TPP框架采用轨迹树结构 通过动态规划获取最优策略 其损失函数包含预测误差 自车轨迹碰撞和交通参与者碰撞三项[6][7][9] - IJP框架采用MPC联合优化 通过同伦理论大幅减少轨迹采样数量 使16个交通参与者场景下达到125Hz处理速度[12][15][19] - DIPP框架引入可微分规划 使用Transformer编码历史信息 通过非线性最小二乘优化轨迹 支持端到端训练权重参数[21][22][27] 关键技术实现 - 同伦理论应用安培定律原理 将障碍物视为电流 通过磁场线积分相同特性归类轨迹 使车道变换等场景采样效率提升[13][14][15] - ADMM算法替代传统SQP 将840维优化问题分解为可并行计算子集 实现毫秒级实时响应[19][23] - 可微分规划采用双层优化结构 内层求解最优轨迹 外层优化损失函数 结合Theseus库实现参数自动调优[34][35][36] 现存技术局限 - 预测导向方法本质是反应式规划 无法处理反事实安全问题 如车辆主动并道场景[41] - 固定权重损失函数难以匹敌规则方法的场景自适应能力 静态场景下预测模块效用有限[44] - 模块化方案依赖预测质量 端到端方案网络设计复杂 两者均面临真实交互效果验证挑战[45]