據外媒報道，中國北京大學（Peking University）與清華大學（Tsinghua University）的研究人員發表了一篇論文，介紹“用于駕駛的生成式預訓練版本1（Generative Pre-training for Driving version 1，GPD-1）”的創新框架，旨在提升自動駕駛系統的能力。該方法對各種駕駛場景進行建模，以簡化場景生成、運動規劃和交通仿真等任務，從而提升自動駕駛車輛預測和模擬各種駕駛條件的能力。利用分層位置編碼和矢量量化自動編碼器等先進創新技術，GPD-1實現了此次技術集成。

GPD-1（圖片來源：azoai.com）

自動駕駛技術領域的進展

近年來，自動駕駛領域取得了顯著進展，主要歸功于人工智能（AI）和機器學習技術的進步。傳統方法通常孤立地處理駕駛場景的特定方面，例如地圖生成或運動預測。然而，由于駕駛環境中各種實體間互動的復雜性，將此類組件整合至一個統一的框架中仍面臨著挑戰。不過，通過利用大型數據集高效模擬和預測駕駛場景，研發生成式模型，特別是自回歸變壓器架構，提供了有發展前景的解決方案。

GPD-1：研發一個統一的生成式模型

在該篇論文中，研究人員介紹了GPD-1，一款旨在整合自動駕駛場景演變各個方面的模型。該框架采用標記來代表駕駛場景，其中包含自主車輛（ego vehicle）、代理和地圖元素。利用一個自回歸變壓器，該框架能夠按序處理此類標記，捕捉時間依賴性與空間關系，為駕駛場景提供強大的表示。此外，利用場景級注意力機制，可進一步促進幀內各標記之間的細微互動。

為了編碼空間和時間信息，研究人員為自主車輛和代理標記研發了一款分層位置編碼器，融合了二維（2D）位置和朝向信息。對于地圖標記，采用矢量量化自動編碼器（VQ-VAE）將自主車輛為中心的語義地圖壓縮成離散標記，有效降低復雜度，同時保持空間精確度。此種創新設計讓GPD-1能夠在交通仿真、場景生成、閉環仿真、地圖預測和運動規劃等任務中進行歸納，無需額外微調。

該模型在龐大的nuPlan數據集上進行了預訓練，其中涵蓋從多個城市環境中收集的超1300小時的駕駛數據，包括交叉路口和環島等復雜場景。該數據集為評估該模型在實際環境中的表現提供了堅實基礎。

關鍵發現與見解

本研究驗證了GPD-1模型在無需額外微調的情況下，歸納各種自動駕駛任務的有效性。在場景生成方面，該模型可通過生成代理、地圖和自主車輛信息，無縫初始化場景。在交通仿真方面，基于初始代理狀態和實際地圖，該模型準確預測了交通動態演變情況，體現了其在動態環境中的適應能力。

此外，該模型在運動規劃方面表現出色，利用有關周圍代理和地圖的信息，為自主車輛生成了高精度的軌跡。值得注意的是，GPD-1在定量評估指標上取得了成功，即平均位移誤差（Average Displacement Error，ADE）、最終位移誤差（Final Displacement Error，FDE）及碰撞率，充分展現了其安全性與精準度。此類成果表明，GPD-1在多個下游任務中達到了領先的性能，特別是在運動規劃方面，能夠超越現有的方法。

該實驗進一步表明，GPD-1在仿真中維持了較低的碰撞率，確保在動態駕駛場景中的安全性。其在遵循交通規則和法規的同時，穩健地管理了多個代理間的交互。通過精準預測未來場景演變及代理的移動，GPD-1代表了自動駕駛技術的一項重大發展。

GPD-1的實際應用

GPD-1對推動自動駕駛系統發展具有重大意義，其能夠基于最少的初始輸入信息生成真實的駕駛場景，是訓練和評估自動駕駛技術的寶貴工具。

在交通仿真中，GPD-1有效評估了復雜環境中的車輛互動，對研究人員和開發人員測試各種駕駛條件提供了極大的價值。其運動規劃能力為傳統方法提供了一種數據驅動型替代方案，實現了精確的軌跡預測。閉環仿真得益于GPD-1能夠基于實時自主車輛數據，動態調整代理的軌跡，從而提升了仿真的真實性和安全性。此種適應性也有望提升自動駕駛系統的安全性和可靠性，特別是在城市環境。

結論與未來發展方向

綜上所述，GPD-1模型標志著向完全集成且可解釋的自動駕駛框架邁進了重要一步。通過將駕駛仿真的各個方面整合成一個連貫的系統，其克服了傳統方法的局限性，為真實且具有適應性的駕駛仿真提供了一個靈活且強大的解決方案。

未來，研究人員的重點應該關注提升該模型在處理新代理進入視野時的預測準確性，由于缺乏輸入數據，此項任務已成為一項挑戰。為此，在特定數據集上進一步進行微調或集成自適應性學習機制，有望提升該模型在動態、復雜環境中的性能表現。此外，集成實時數據處理和自適應學習機制還可以進一步提升其在復雜駕駛環境中的可適應性。總體而言，GPD-1為推動自動駕駛技術發展奠定了基礎，為該領域的持續創新與重大發展鋪平了道路。