นักวิจัยได้ทำการทดสอบอัลกอริทึมการวางแผนการขับขี่แบบดั้งเดิม 16 รูปแบบ โดยผสมผสานวิธีการหาเส้นทาง (เช่น A*, RRT*) เข้ากับวิธีการสร้างวิถีการเคลื่อนที่ (เช่น Frenet lattice, nonlinear optimization) และนำไปประเมินผลบนแพลตฟอร์มมาตรฐาน 3 แห่ง ได้แก่ nuScenes, nuPlan และ HUGSIM เพื่อเปรียบเทียบกับโมเดลการขับขี่แบบ End-to-End ที่เรียนรู้จากข้อมูลอย่าง UniAD
ผลการทดสอบพบว่าในบางสถานการณ์ โดยเฉพาะบน HUGSIM ซึ่งเป็นการจำลองที่สมจริงถึงระดับภาพ 9 ใน 16 ของอัลกอริทึมแบบดั้งเดิมทำคะแนนการขับขี่ได้สูงกว่าระบบวางแผนที่เรียนรู้ของ UniAD โดยเฉพาะวิธีการที่ใช้ Hybrid A* ร่วมกับการปรับวิถีแบบไม่เชิงเส้น (nonlinear trajectory optimization) สามารถเพิ่มคะแนนการขับขี่ (HD-Score) จาก 32.0 เป็น 41.8 ได้อย่างมีนัยสำคัญ
นอกจากนี้ ในการทดสอบบน nuScenes และ nuPlan ระบบวางแผนแบบดั้งเดิมก็แสดงให้เห็นถึงความสามารถในการแข่งขัน โดยมีค่า L2 error ที่ดีกว่าในบางกรณี และใน 31 ครั้งจาก 182 ครั้งที่ระบบของ UniAD ชน นักวางแผนแบบดั้งเดิมที่ดีที่สุดสามารถขับเคลื่อนผ่านเส้นทางได้สำเร็จด้วยข้อมูลการรับรู้ชุดเดียวกัน ซึ่งบ่งชี้ว่าปัญหาเกิดจากระบบวางแผน ไม่ใช่การรับรู้