1.摘要

background

面临一个场景，有不同的应对方法，但是现有的规划方法遵循确定性范式，直接使行动回归，可能会输出一个介于两者之间的动作，倾向于输出在训练数据中出现最多的主导轨迹，从而导致安全问题和性能下降。

innovation

提出概率规划来应对规划的不确定性，设计了一个概率场，将动作空间映射到概率分布，并从大规模驾驶演示中学习动作的分布。

2. 方法 Method

1.场景encoder

把多视角图片编码为四种token

2.概率规划

检索最有代表性的4096个动作，离散化作为词汇表，encode变成tokens。

planning阶段：

3.训练损失

Ldistribution：KL散度，预测分布与真实分布的差距

LconflictL:限制不要与其他agent冲突相撞

Ltoken：场景token损失，地图元素预测，agent规划跟踪，红绿灯颜色停车标志区域。

3. 实验 Experimental Results

实验设置​​

​​数据集：CARLA仿真（Town05长/短赛道），300万帧训练数据。

​​指标：驾驶得分（DS = 路线完成率 × 违规得分）、L2距离、碰撞率。

核心结论​​

SOTA性能（仅相机输入）：

基准                            DS          路线完成率    超越方案

Town05长赛道     85.1               98.4%             DriveMLM（76.1）

Town05短赛道     89.7               93.0%             VAD（64.3）

​​消融实验：

移除概率损失 → 规划误差↑300%；

冲突损失降低碰撞率（0% vs 基线0.7%）；

交通灯Token提升复杂路口性能。

​​可视化：生成合理多模态轨迹。

4. 总结 Conclusion

概率建模是处理规划不确定性的本质突破，通过离散词表+概率场实现人类驾驶的多模态决策，仅需相机即达CARLA SOTA。