文章核心观点 - 提出了一种名为AlignDrive的新型端到端自动驾驶规划框架，其核心创新在于采用级联结构，使纵向规划依赖于横向路径，从而解决了传统并行规划中横向与纵向难以协调、静态信息冗余编码的问题，并显著提升了对动态场景的交互建模能力 [3] - 该框架解锁了一种面向规划的数据增强手段，通过插入虚拟动态智能体并仅调整沿固定横向路径的纵向位移，能够高效生成大量安全关键场景的训练数据，从而提升模型的避碰能力和闭环规划稳健性 [4][6] - 实验表明，AlignDrive在Bench2Drive闭环评估中全面超越先前所有模型，在驾驶得分、成功率等关键指标上大幅领先；在nuScenes开环评估中碰撞率显著降低；其轻量化版本在保持性能领先的同时实现了更高的推理效率 [11][14][17] 方法概述 - AlignDrive采用级联框架：首先预测横向行驶路径，然后以此路径为先验，结合动态环境信息预测沿该路径的等时间间隔一维纵向位移，最终生成自车轨迹 [3][9] - 该设计使不同模块专注于关键信息：横向路径预测模块（类比“转方向盘”）和纵向位移预测模块（类比“踩油门和刹车”） [3] - 训练中引入了面向规划的数据增强模块，通过在检测结果中插入虚拟动态智能体并相应修改自车目标轨迹，来生成更多关键场景的训练数据 [8] 实验与性能评估 - **Bench2Drive闭环评估**：AlignDrive的驾驶能力综合得分（Mean Ability）达到70.06%，显著超越之前的SOTA模型HiP-AD（65.98%）及其他基准模型，在并道（Merging， 75.00%）、超车（Overtaking， 75.56%）、紧急制动（Emergency Brake， 75.00%）等多个子任务上表现优异 [11][13] - **nuScenes开环评估**：AlignDrive在碰撞率（Collision Rate）指标上表现最佳，平均碰撞率为0.06%，低于VAD-Base（0.21%）、DriveTransformer-Large（0.07%）等模型；其轨迹误差（L2）平均为0.78米，略高于其他方案，但文章指出L2指标与真实实车驾驶表现的一致性较差 [14][15][16] - **推理效率**：AlignDrive的轻量化小型版本（AlignDrive-Small）在保持闭环得分领先的同时，实现了更高的推理效率（具体数据因表格不完整未完全呈现） [17][18] - **消融实验**：实验验证了级联规划（LP）、沿路径位移回归（DP）和规划导向数据增强（DA）三个核心组件的有效性，完整模型（E）取得了最高的驾驶得分（89.07）、成功率（73.18%）和最低的碰撞率（11.4%） [19][20] - **数据增强参数**：研究发现，以10%的概率在训练中进行规划导向的数据增强效果最佳 [21] 技术优势与影响 - 通过将纵向规划建模为沿固定横向路径的一维位移回归，自然强化了目标轨迹与动态物体之间的耦合关系，使模型持续聚焦于关键的动态交互信息 [24] - 基于级联框架的数据增强策略，能在不改变横向路径的前提下，高效生成大量高风险场景，极大提升了模型在复杂交通环境中的决策能力与安全性 [24] - 可视化案例表明，传统基线方法因横纵向规划不一致可能导致碰撞，而AlignDrive的级联规划在此类场景下能成功避免碰撞 [22]