Shift & Drift：一個用於可泛化且魯棒的自動駕駛運動規劃的零樣本基準
Shift & Drift是一個雙軌基準測試，旨在評估自動駕駛運動規劃器在語義分佈偏移（新城市拓撲）和狀態分佈漂移（執行擾動）下的表現。研究發現，模仿學習方法在域內表現優異，但在語義偏移下顯著失效，而基於強化學習的方法則表現出更優雅的效能下降。
近日，一項名為“Shift & Drift”的研究提出了一個創新的雙軌基準測試，旨在嚴格評估自動駕駛運動規劃器在分佈偏移下的泛化能力和魯棒性。該研究已被2026年IEEE/RSJ國際智慧機器人與系統會議（IROS 2026）接收。
當前，基於大規模目標級資料集（如nuPlan）訓練的閉環運動規劃器在域內場景中表現強勁，但其對新型城市拓撲的泛化能力以及在執行擾動後的恢復機制尚未得到充分探索。為了填補這一空白，研究人員設計了Shift & Drift基準，從兩個關鍵維度對規劃器進行壓力測試。
第一個是“語義偏移軌道”。該軌道利用一種新穎的轉換流水線，將航拍資料集DeepScenario Open 3D轉換為nuPlan模擬框架，從而實現對規劃器的零樣本評估。這些規劃器原本基於北美和新加坡的資料訓練，現在需要面對涵蓋四個德國城市以及美國舊金山的1182個場景，這些場景中充滿了密集的行人-腳踏車互動。
第二個是“狀態分佈漂移軌道”。該軌道向自車的動力學模型中注入隨機擾動，以量化規劃器對於複合執行誤差的魯棒性。
基於該基準，研究團隊系統評估了不同規劃正規化在語義偏移和狀態分佈漂移下的失效模式。結果表明，模仿學習方法在域內基準測試中得分很高，但在語義偏移下，尤其是在行人密集的環境中，表現出顯著的失敗，並且在受到時間相關的執行噪聲影響時，會出現持續性的漂移。相比之下，基於強化學習的規劃器表現出更平緩的效能下降，在兩個軌道上均保持了更高的安全性和進度指標。
這些發現揭示了模仿保真度與閉環彈性之間存在的經驗性權衡，為社群提供了一個嚴格的基準，以評估向可靠部署邁進的進展。