1. nuplan简介：

1.1 nuplan数据集内容及框架概述

        是世界第一个针对自动驾驶规划方法测试的开源数据集（发布于2021年），收集了波士顿、匹兹堡、拉斯维加斯和新加坡这 4 个城市收集了大约 1300 小时的驾驶数据。

        虽然基于 ML 的运动规划器越来越多，但缺乏既定的数据集、模拟框架和评价指标，这也限制了该领域的进展。现有数据集（Argoverse、Lyft、Waymo) 主要侧重与对其他代理的短期运动预测，而不是自我车辆的长期规划。这导致之前的方法大多使用基于 L2 指标的开环评估，不适用于合理评估长期规划。为了解决上述问题，nuplan除了提供大规模实车数据集，还提供了基于学习的训练框架来开发基于机器学习的规划器、轻量级闭环模拟器、运动规划评价指标和可视化工具。下图为其训练框架。

​

1.2 nuplan仿真器概述

        nuplan的开源仿真框架支持闭环和开环仿真。闭环意味着自我车辆和其他车辆可以偏离原始数据集中记录的状态信息。除了规划器的基准实现，nuplan还为传统的智能驾驶模型（Intelligent Driver Model, IDM）和基于学习（ML）的智能体提供基线实现。为了真实地模拟交通流，nuplan还开发了交通灯状态推理系统，从观察到的场景中的车辆运动推断出交通灯的状态。最后，nuplan还挖掘了手工制作的场景（如变道、行人与车辆的互动），并对这些场景的通用指标和特定场景指标进行评估。

2. nuplan规划框架

        nuPlan 具有一个开源工具包，用于开发基于 学习（ML ）的规划器。nuplan规划框架总的来说由一下四个步骤促成，即：模型训练、模型模拟、性能评估和结果可视化。

2.1 规划训练框架

        nuplan训练基于学习（ML）的规划器采用的是基于PyTorch框架，使用一些输入，如自车信息、其他智能体信息、静态/动态地图信息。在该框架的基础上，可以很容易地修改和扩展，以纳入新的研究思路。

2.2 规划仿真框架

        nuplan框架的核心部分是场景仿真。仿真器完全匹配数据集，集成了观察模型、自车规划器、智能体模型、运动控制器、评价指标和可视化等模块。该仿真器还为每个模块提供了多个选项和基本示例，用户可以根据个人需求轻松插入替换项。这将使研究界能够专注于单个框架进行方法上的研究，而不是像以前那样为每个数据集和规划方法使用不同的框架。

        下图展示的为nuplan仿真器的整体框架。

2.3 评价标准

评价指标分为分为5类：

• 违反交通规则的情况用来衡量对普通交通规则的遵守程度，考虑其他车辆的碰撞率、轨迹偏离道路概率、与前车的时间差距、碰撞时间以及超车时的相对速度。
• 人类驾驶的相似性被用来量化与人类相比的操纵满意度，如纵向速度误差、纵向停止位置误差和横向位置误差。此外，由此产生的抽动/加速与人类水平的抽动/加速进行比较。
• 车辆动力学被用来评价驾驶员的舒适性和轨迹的可行性。乘坐者的舒适度由颠簸、加速度、转向率和车辆振荡来衡量。可行性是通过违反相同标准的预定限制来衡量的。
• 目标的实现通过L2距离来评价通往地图上目标位置的路线

• 特定场景评价是针对特定场景的。例如，对于车辆变道，参与评估的是碰撞时间和与目标车道上的前/后方人员的时间差距。针对车辆与行人和自行车的互动，在区分他们的位置的同时对通过的相对速度进行量化。

2.4 可视化

        对于研究人员来说，要快速迭代新的 ML 规划模型，能够仔细分析模型的性能至关重要。为此，nuplan开发了带有基于散景的交互式模拟查看器的“nuBoard”，该查看器可渲染底层语义地图、自我车辆信息、其他车辆信息以及交通信号灯状态。除了场景模拟，nuplan还绘制了关于规划器性能的统计数据。
 

3. 总结nuplan特点

        1. 数据丰富，提供了四个城市丰富的自车、他车、交通状态以及传感器信息。

        2. 集成基于机器学习的自动驾驶规划框架，能够实现学术方法的快速试验与验证。

        3. 集成仿真功能，数据集中的自车与他车可以偏离真实采集的位置信息，实现闭环仿真试验

4. 参考内容

        nuPlan (nuscenes.org)

        motional/nuplan-devkit: The devkit of the nuPlan dataset. (github.com)