ROBOTICS & HUMANOID

นักวิจัยเผยระบบวางแผนการขับขี่แบบดั้งเดิมอาจมีประสิทธิภาพดีกว่า AI ในบางสถานการณ์

arXiv20 Nov 2026
1 min read
Key Takeaways
  • ระบบวางแผนการขับขี่แบบดั้งเดิมยังคงเป็นเทคโนโลยีที่มีศักยภาพ โดยเฉพาะอย่างยิ่งเมื่อรวมเข้ากับเทคนิคการปรับวิถีการเคลื่อนที่แบบไม่เชิงเส้น ซึ่งสามารถให้ผลลัพธ์ที่ดีกว่าโมเดล AI แบบ End-to-End ในสถานการณ์ขับขี่ที่ซับซ้อนบางอย่าง

ทำไมเรื่องนี้ถึงสำคัญ

งานวิจัยนี้ท้าทายแนวคิดที่ว่าระบบวางแผนที่เรียนรู้จาก AI จะเหนือกว่าระบบดั้งเดิมเสมอ โดยชี้ให้เห็นว่าเทคนิคเก่าๆ ยังคงมีบทบาทสำคัญและสามารถเป็นทางเลือกที่มีประสิทธิภาพในบางบริบทการขับขี่อัตโนมัติ ซึ่งอาจนำไปสู่การพัฒนาระบบที่ผสมผสานจุดแข็งของทั้งสองแนวทางเพื่อความปลอดภัยและประสิทธิภาพที่ดีขึ้น

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

สรุปประเด็นหลัก

อัลกอริทึมการวางแผนแบบดั้งเดิม 9 ใน 16 รูปแบบ ทำคะแนนการขับขี่บน HUGSIM ได้ดีกว่าระบบวางแผน AI แบบ End-to-End UniAD

เทคนิค Hybrid A* ร่วมกับ Nonlinear Optimization เพิ่มคะแนนการขับขี่บน HUGSIM จาก 32.0 เป็น 41.8

ใน 31 กรณีที่ UniAD ชน ระบบวางแผนแบบดั้งเดิมสามารถขับผ่านได้สำเร็จด้วยการรับรู้ชุดเดียวกัน ชี้ว่าปัญหาอยู่ที่ตัววางแผน

นวัตกรรมและเทคโนโลยี

research

การประเมินประสิทธิภาพของระบบวางแผนแบบดั้งเดิม

นักวิจัยได้ทดสอบระบบวางแผนการขับขี่แบบดั้งเดิม 16 รูปแบบบนแพลตฟอร์มมาตรฐาน 3 แห่ง และพบว่าบางเทคนิคสามารถทำผลงานได้ดีกว่าหรือเทียบเท่ากับโมเดล AI ที่เรียนรู้จากข้อมูล

models

ระบบวางแผนที่ดีที่สุด

การผสมผสานระหว่าง Hybrid A* สำหรับเส้นทางและ Nonlinear Trajectory Optimization สำหรับวิถีการเคลื่อนที่ ให้ผลลัพธ์ที่ดีที่สุด โดยเพิ่มคะแนนการขับขี่บน HUGSIM ได้อย่างมีนัยสำคัญ

Developer Impact
สำหรับวิศวกรและนักพัฒนาที่ทำงานด้านระบบขับเคลื่อนอัตโนมัติ ผลการวิจัยนี้ชี้ให้เห็นถึงความจำเป็นในการพิจารณาการใช้ประโยชน์จากอัลกอริทึมการวางแผนแบบดั้งเดิม โดยอาจใช้เป็นส่วนเสริมหรือทางเลือกแทนระบบ AI แบบ End-to-End ในสถานการณ์ที่ต้องการความแม่นยำและความปลอดภัยสูงบางกรณี
Keywords
#autonomous driving #path planning #traditional planners #learned planners #robotics
Original Source

อ่านข้อมูลเพิ่มเติมจากแหล่งข่าวหลัก

arXiv