Shift & Drift：一个用于可泛化且鲁棒的自动驾驶运动规划的零样本基准
Shift & Drift是一个双轨基准测试，旨在评估自动驾驶运动规划器在语义分布偏移（新城市拓扑）和状态分布漂移（执行扰动）下的表现。研究发现，模仿学习方法在域内表现优异，但在语义偏移下显著失效，而基于强化学习的方法则表现出更优雅的性能下降。
近日，一项名为“Shift & Drift”的研究提出了一个创新的双轨基准测试，旨在严格评估自动驾驶运动规划器在分布偏移下的泛化能力和鲁棒性。该研究已被2026年IEEE/RSJ国际智能机器人与系统会议（IROS 2026）接收。
当前，基于大规模目标级数据集（如nuPlan）训练的闭环运动规划器在域内场景中表现强劲，但其对新型城市拓扑的泛化能力以及在执行扰动后的恢复机制尚未得到充分探索。为了填补这一空白，研究人员设计了Shift & Drift基准，从两个关键维度对规划器进行压力测试。
第一个是“语义偏移轨道”。该轨道利用一种新颖的转换流水线，将航拍数据集DeepScenario Open 3D转换为nuPlan仿真框架，从而实现对规划器的零样本评估。这些规划器原本基于北美和新加坡的数据训练，现在需要面对涵盖四个德国城市以及美国旧金山的1182个场景，这些场景中充满了密集的行人-自行车交互。
第二个是“状态分布漂移轨道”。该轨道向自车的动力学模型中注入随机扰动，以量化规划器对于复合执行误差的鲁棒性。
基于该基准，研究团队系统评估了不同规划范式在语义偏移和状态分布漂移下的失效模式。结果表明，模仿学习方法在域内基准测试中得分很高，但在语义偏移下，尤其是在行人密集的环境中，表现出显著的失败，并且在受到时间相关的执行噪声影响时，会出现持续性的漂移。相比之下，基于强化学习的规划器表现出更平缓的性能下降，在两个轨道上均保持了更高的安全性和进度指标。
这些发现揭示了模仿保真度与闭环弹性之间存在的经验性权衡，为社区提供了一个严格的基准，以评估向可靠部署迈进的进展。