近日，旨在分享和探討機器人技術(shù)與機器學(xué)習(xí)交叉領(lǐng)域最新進展的國際頂級機器人學(xué)習(xí)會議CoRL 2025 Conference on Robot Learning）論文接收結(jié)果揭曉。易控智駕研發(fā)團隊與中科院自動化所深度強化學(xué)習(xí)團隊聯(lián)合提出的端到端自動駕駛方案《ReasonPlan: Unified Scene Prediction and Decision Reasoning for Closed-loop Autonomous Driving》成功入選。該論文提出的方案在復(fù)雜交互場景中，尤其是決策推理方面展現(xiàn)出突破性進展，有望推動自動駕駛邁向更高水平的智能化，是易控智駕探索最新人工智能算法，引領(lǐng)礦山無人駕駛行業(yè)技術(shù)發(fā)展的重要體現(xiàn)。

入選通知郵件截圖

ReasonPlan：

突破復(fù)雜交互場景瓶頸

讓自動駕駛看得懂、會思考

在復(fù)雜的道路環(huán)境中，傳統(tǒng)端到端自動駕駛方法往往難以實現(xiàn)諸如超車、繞行等強交互行為。這類行為不僅要求自動駕駛車輛具備精準的感知能力，更需要深入理解場景，預(yù)測其他交通參與者的意圖，并規(guī)劃出合理且安全的軌跡，這樣才能實現(xiàn)接近人類駕駛的靈活性與安全性。然而，現(xiàn)有端到端方法通常只依賴模仿人類駕駛員的軌跡數(shù)據(jù)，缺乏真正的因果推理能力。當面對罕見或極端復(fù)雜的陌生場景時，這些模型往往大打折扣。

在無紅綠燈路口場景不同方案的駕駛

針對這一核心挑戰(zhàn)，易控智駕與中科院團隊創(chuàng)新性地提出了端到端自動駕駛方案——ReasonPlan。該方案的技術(shù)創(chuàng)新點：

• 升環(huán)境理解與安全性判斷ReasonPlan 通過分析已知環(huán)境數(shù)據(jù)，自我學(xué)習(xí)如何預(yù)測周圍交通環(huán)境的變化，更精準地判斷安全可行的行駛空間。

• 結(jié)構(gòu)化鏈式推理規(guī)劃：與傳統(tǒng)端到端模型直接給出駕駛指令不同，ReasonPlan采用鏈式推理方式進行車輛行駛規(guī)劃，即將復(fù)雜問題拆解為多個子問題，并按照步驟推理解決。這種方法讓ReasonPlan如同擁有了思考過程，即使在面對全新的道路結(jié)構(gòu)或異常行為時，也能依據(jù)邏輯而非單純經(jīng)驗做出合理判斷，有效避免了傳統(tǒng)模仿學(xué)習(xí)方法常出現(xiàn)的因果混淆問題。

權(quán)威測試驗證：性能領(lǐng)先泛化卓越

在業(yè)內(nèi)權(quán)威的 “Bench2Drive” 測評中（國際首個全面模擬真實駕駛情況的端到端自動駕駛評估平臺），ReasonPlan 方案以 64.01 分的高分表現(xiàn)出色，核心指標大幅領(lǐng)先行業(yè)頂尖水平。其中，衡量自動駕駛模型與人類駕駛標準之間差異的核心指標之一——L2誤差降低了16.44%，意味著其駕駛決策更趨近人類的安全與靈活風格。

同時，在DOS 基準（由多種遮擋事件組成的駕駛模擬基準）零樣本泛化測試中，ReasonPlan 展現(xiàn)出強大的適應(yīng)性。它無需針對從未見過的新場景進行額外學(xué)習(xí)訓(xùn)練，就能夠有效處理，充分證明了方案的強大魯棒性。

未來，易控智駕將把ReasonPlan方案的先進技術(shù)逐步應(yīng)用于無人駕駛礦卡解決方案中，以提升無人礦卡在動態(tài)變化的復(fù)雜礦山運輸環(huán)境下的行為表現(xiàn)，如標準工藝流程之外的工程機械臨時交互場景、作業(yè)面推進出現(xiàn)的非規(guī)則路口場景，極大提升車輛在非預(yù)設(shè)場景下交互的應(yīng)變合理性與行為安全性，為礦山安全高效的生產(chǎn)提供更強大技術(shù)保障。

聲明：本文系轉(zhuǎn)載自互聯(lián)網(wǎng)，請讀者僅作參考，并自行核實相關(guān)內(nèi)容。若對該稿件內(nèi)容有任何疑問或質(zhì)疑，請立即與鐵甲網(wǎng)聯(lián)系，本網(wǎng)將迅速給您回應(yīng)并做處理，再次感謝您的閱讀與關(guān)注。