自动驾驶规划必读！2025年最值得Follow的12个代码库

在自动驾驶这个“学术追随工业”的领域跟踪新技术，很容易陷入“看了一堆论文，却不知道哪些真的能上车”的困境。

第一阶段：夯实地基（避免成为追新文的无根浮萍）

在跟踪新技术前，先确认基础是否牢固。轨迹规划的上游是预测，下游是控制，核心瓶颈往往不在规划本身。

• 经典必读：建议重新精读《A Survey of Motion Planning and Control Techniques for Self-driving Urban Vehicles》（Paden 2016），这篇论文提出的框架依然是当下量产方案的原型。理解Frenet坐标系的推导、Lattice Planner的采样空间逻辑、EM Planner的迭代优化思路——这些是评价“新技术”是否实用的试金石。

第二阶段：精准信息源（不是所有顶会论文都值得follow）

学术界追求SOTA（State of the Art，最先进技术），工业界追求SOA（State of the Art，最先进技术/艺术状态）。这里存在显著差异。

1. 顶会专刊：重点关注 ICRA、IROS、CoRL、ITSC、CVPR（尤其是自动驾驶 workshop）。
   • 技巧：直接搜索 “Motion Planning for Autonomous Driving” 专区，比看通用强化学习论文效率更高。
2. 工业界技术博客：比顶会论文更具风向标意义。
   • Waymo、Cruise、Uber ATG（已关闭但遗产丰富）、Tesla AI Day：他们的博客和公开演讲代表了规划技术落地的上限。例如Tesla 2021 AI Day关于基于交互搜索和优化（interaction-aware maneuver）的讲解，比同期90%的论文都更具前瞻性。
   • 华为、百度Apollo、Momenta：关注他们的开发者大会和开源代码更新，尤其是关于交互博弈（Game Theory）和数据驱动规划的实践。
3. 学术榜与聚合站：
   • arXiv：订阅关键词 “Interactive Planning”、“Imitation Learning for Planning”、“Safe Reinforcement Learning”。
   • GitHub Trending：搜索 “autonomous driving planning”，关注高Star的项目，通过Issue区能看到工程师对算法的真实吐槽。

第三阶段：深度追踪（不只是读摘要）

当找到一篇高相关度论文时，按以下三步拆解，判断是否值得投入时间：

1. 看作者单位：如果一作来自商汤、华为诺亚、Waymo，或者UC Berkeley、Stanford、ETH与车企合作的实验室，工程落地概率通常较大。纯机器学习理论组的论文，规划部分往往过度简化车辆动力学，需谨慎参考。
2. 看开源代码：没有代码的规划论文基本可视为科幻小说。
   • 找到作者是否提供了 baselines 对比。如果对比对象是旧算法，效果即使提升50%也需存疑；如果对比对象是近两年的SOTA并开源，值得精读。
3. 看仿真环境：论文在CARLA、SMARTS、MetaDrive还是自研仿真器中验证？在CARLA排行榜上排名靠前的规划算法，含金量通常远高于仅在自定义小路上验证的工作。

第四阶段：动手实践（从follow到insight）

1. 搭建轻量级试验台：推荐 Python + NuPlan 或 SMARTS。NuPlan是目前非常接近工业界数据格式的规划benchmark。
2. 复现基线：不要一开始就复现复杂的神经网络规划器。先跑通基于优化的方法（OSQP求解器）和基于采样的方法。
3. 嫁接新技术：当你跑通一个传统Lattice Planner后，尝试把其中代价函数（Cost Function）的权重，换成论文里用Learning from Demonstration学出来的权重。这时你才能真正体会到“数据驱动”到底优化了什么。

第五阶段：区分“真需求”与“伪热点”

在规划领域，建议用以下逻辑判断：

• 值得跟：能解决长尾问题（Cut-in、鬼探头、交互博弈）、能提升计算效率（JIT编译、并行化）、能增强可解释性（可微规划、结构化学习）。
• 谨慎跟：纯粹在标准数据集上刷点的端到端模仿学习（工业界受困于数据分布的“复合误差”和可解释性）；完全无视动力学约束的纯强化学习规划（难以过功能安全）。

文章转载自公众号：人工智能AI与算法