← 返回论文列表

Mosaic：一个用于组合基于规则与学习型运动规划器的可扩展框架
Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners

作者: Nick Le Large, Marlon Steiner, Lingguang Wang 等7人
arXiv: 2604.13853v1
分类: cs.RO
📝 论文摘要
安全且可解释的运动规划仍是自动驾驶领域的核心挑战。基于规则的规划器虽能提供可预测、可解释的行为，却常难以应对真实交通环境的复杂性与不确定性。反之，基于学习的规划器展现出强大的适应能力，但其透明度较低，且偶发安全性违规行为。我们提出Mosaic——一个基于仲裁图架构的可扩展结构化决策框架，通过融合两种范式实现优势互补。该框架将轨迹验证与评分机制从各规划器的轨迹生成过程中解耦，使每个决策都具备透明性与可追溯性。高层级的轨迹验证机制在规划器间构建冗余防护，仅在所有规划器均无法生成有效轨迹的极端情况下才启动紧急制动。通过统一评分与最优轨迹选择，兼具互补特性的规则型与学习型规划器得以协同工作，实现性能最优。在nuPlan平台的实验评估中，Mosaic在Val14闭环基准测试中取得95.48 CLS-NR与93.98 CLS-R的优异成绩，刷新当前最佳记录，同时将责任碰撞事故较单一规划器降低30%。在专注于高交互性复杂场景的interPlan基准测试中，Mosaic获得54.30 CLS-R评分，较其最优子规划器提升23.3%——所有改进均无需重新训练或额外数据支持。代码已开源：github.com/KIT-MRT/mosaic。

📊 核心分析

🎯 研究动机
该论文旨在解决自动驾驶中安全且可解释的运动规划(motion planning)这一核心挑战。研究背景是：基于规则(rule-based)的规划器虽然行为可预测且可解释，但难以处理真实交通的复杂性和不确定性；而基于学习(learned)的规划器虽然适应性强，但透明度低且偶发安全违规。
🔧 核心方法
论文提出了一个名为Mosaic的可扩展框架，其核心方法是： - 通过仲裁图(arbitration graphs)将基于规则和基于学习的规划器集成到一个结构化决策框架中。 - 将轨迹验证(trajectory verification)和评分(scoring)与各个规划器的轨迹生成过程解耦(decoupling)。 - 在更高层级进行轨迹验证，在规划器之间引入冗余(redundancy)，仅在所有规划器都未能生成有效轨迹时才触发紧急制动(emergency braking)。 - 通过统一的评分和最优轨迹选择(optimal trajectory selection)，结合两类规划器的互补优势。
💡 核心创新
论文的核心创新点在于： - 提出了一个新颖的、可扩展的框架，首次通过仲裁图(arbitration graphs)实现了基于规则和基于学习的运动规划器的结构化、透明化集成。 - 通过将轨迹验证和评分与轨迹生成解耦，使得每个决策都变得透明(transparent)和可追溯(traceable)，解决了学习型规划器“黑箱”问题。 - 高层级的验证机制创造了规划器间的冗余，将安全关键(safety-critical)的紧急制动限制在极端情况，显著提升了系统的整体鲁棒性(robustness)。 - 该框架无需重新训练(retraining)或额外数据，即可动态组合不同规划器，实现性能的即时提升。
🏆 总体贡献
论文对该领域的总体贡献是： - 提出了Mosaic框架，为结合可解释的规则系统与强大的学习系统提供了一个通用、可扩展的解决方案。 - 在nuPlan基准测试中取得了新的最先进(state-of-the-art)性能（Val14闭环基准测试95.48 CLS-NR和93.98 CLS-R），并将责任碰撞(at-fault collisions)减少了30%。 - 在高度交互的困难场景（interPlan基准测试）中，性能比其最佳组成规划器提升了23.3%（54.30 CLS-R），证明了框架在复杂场景下的有效性。 - 开源了代码，为社区提供了研究与实践工具。