arXiv上2021年9月28日上传论文“SafetyNet: Safe planning for real-world self-driving vehicles using machine-learned policies“，来自Level 5， Toyota收购的Lyft自动驾驶团队。
本文介绍的是，通过来自于专家演示的训练，实现一个安全自动驾驶控制系统。因为机器学习（ML）方法存在安全问题，风险不可预测，故此加入一个基于规则的退却层（rule-based fallback layer），对ML决策做健全检查（sanity checks），这样可减少ML规划器的碰撞95%。整个实验采用300小时的驾驶数据做模仿学习（IL），并在三番市进行了测试。
更多信息参见 Autonomy 2.0 - 2022-SafetyNet
代码 GitHub - lyft/l5kit: L5Kit - level5.lyft.com
如图是SafeNet的基本框架：ML规划给出轨迹预测，通过一个fallback layer进行验证。
下面的图像是一个SafeNet在三番市区进行自动驾驶的例子：
如图是模型的架构图：类似谷歌WayMo的VectorNet，一个分级图网络；采用PointNet网络进行输入信息（车辆姿态和大小，其他智体的姿态、大小和目标类型，HD地图的静态信息和动态信息，以及路线规划routing）的局部编码，基于Transformer做全局嵌入推理智体和地图特征之间的交互。这个结构会通过运动解码器做控制信号，基于自行车模型。
网络训练基于模仿学习，加入扰动，扩展分布减少covariance shift的影响。损失函数考虑曲率kt和抖动jt的因素改进舒适度，即
这里补充一下运动解码器的模型如下：
在fallback层，考虑几个维度进行轨迹评估：
- dynamic feasibility ：包括约束的longitudinal jerk, longitudinal acceleration, curvature, curvature rate, lateral acceleration, 和 steering jerk (curvature rate X velocity)；
- legality：交通规则，比如stop sign、红灯、离开道路或者让路等等
- collision probability：碰撞检测
这样给轨迹做标记【Feasible, Infeasible】，最后产生一个最接近ML预测轨迹的Feasible结果。
训练规模如此：
fallback层的影响：
实验的性能比较：ML规划和ML规划+fallback层
SafetyNet将 ML 规划器与基于规则的系统fallback层相结合，与纯基于机器学习的系统相比，安全性和舒适性指标得到改进，在具有挑战性的旧金山街道测试。
今后可将fallback层细化，不那么保守，不增加被动性。另外，可以借鉴基于模型的强化学习 (RL) 、离线 RL 或数据驱动模拟的闭环训练等进行改进。
