自动驾驶的未来：轨迹大模型的扩展预测与规划革命

主要观点总结

本文提出了一种名为状态Transformer（STR）的轨迹模型，用于自动驾驶中的运动预测和运动规划任务。通过引入可扩展的轨迹模型，解决了运动预测和运动规划中面临的挑战，如理解道路拓扑结构、长期推理交通动态变化、解释场景下的异构行为和在一个大型连续状态空间中生成策略等。实验结果表明，STR模型具有良好的扩展性，可以在不同的数据集和模型大小上实现平滑扩展。在NuPlan和WOMD数据集上的运动预测和运动规划性能均优于之前的基准。

关键观点总结

关键观点1: STR模型的主要特点

STR模型通过重组观测、状态和行动，将其整合为一个统一的序列建模任务，重新定义了运动预测和运动规划问题。它引入了一个可扩展的轨迹模型，适用于不同大小的数据集和模型，具有良好的泛化能力。

关键观点2: STR模型的实验验证

在NuPlan和WOMD数据集上进行的实验验证了STR模型的有效性。通过对比不同基线方法和消融实验，证明了STR模型在运动预测和运动规划任务上的优越性。

关键观点3: STR模型的扩展性和泛化能力

STR模型具有良好的扩展性和泛化能力。实验结果表明，随着数据集大小和模型参数的增加，STR模型的性能可以平滑扩展。此外，在面对新环境时，较大的STR模型表现出更好的泛化能力。