nuPlan数据集详解

Sun, 19 Jul 2026 00:00:00 +0000

一、概述

nuPlan 是由 Motional（原 nuTonomy 团队）于 2023 年发布的大规模自动驾驶规划数据集与闭环仿真评测框架。与 nuScenes 主要聚焦感知任务不同，nuPlan 的设计初衷是填补规划领域三个核心空白：缺乏大规模人类驾驶规划数据、缺乏标准化闭环评测指标、以及缺乏可复现的仿真评估协议。

nuPlan 的核心规模数据：1500 小时的人类驾驶数据，覆盖全球四个城市——波士顿（Boston）、匹兹堡（Pittsburgh）、拉斯维加斯（Las Vegas）和新加坡（Singapore）。这些城市的驾驶环境具有显著差异：波士顿的老城区窄路与不规则交叉口、匹兹堡的丘陵道路与桥梁、拉斯维加斯的宽阔多车道网格化道路、新加坡的右舵驾驶与密集高架路网。

nuPlan 最革命性的贡献在于：它不仅是一个数据集，更是一个完整的闭环仿真平台。研究者可以在 nuPlan 仿真环境中部署自己的规划模型，与不同类型的交通参与者（log-replay 或 reactive agent）交互，并从安全性、合规性和通行效率等多个维度自动评估模型表现。这种"数据+仿真+评估"三位一体的设计，使 nuPlan 成为目前自动驾驶规划领域最全面的基准平台。

二、数据采集与统计

2.1 数据规模对比

维度	nuScenes	nuPlan
总驾驶时长	约 5.5 小时	约 1500 小时
场景/Log 数	1000 个 scene	约 1282 个 log
标注关键帧	约 40,000	约 150 万
标注 3D 框总数	约 140 万	约 5900 万
覆盖城市	2（波士顿、新加坡）	4（波士顿、匹兹堡、拉斯维加斯、新加坡）
传感器配置	6 Cam + 5 Radar + 1 LiDAR	同 nuScenes（部分 Log 不同）
高精度地图	无	完整 HD Map（车道拓扑、交通标志）
仿真环境	无	内置闭环仿真器

2.2 四城市特点

波士顿：美国东北部老城，街道较窄且不规则，存在大量无保护左转、两阶段左转和环形交叉口。历史街区的道路拓扑复杂，行人活动频繁。冬季还可能遇到积雪和湿滑路面。波士顿的数据量约占全部数据的 30%。

开环评测 vs 闭环评测深度解析

Sun, 19 Jul 2026 00:00:00 +0000

一、引言

在自动驾驶规划算法的研发流程中，评估方法的选择直接影响研究者对模型能力的判断。目前两类主流的评估范式——开环评测（Open-loop Evaluation）与闭环评测（Closed-loop Evaluation）——各有理论基础和适用范围，但二者之间存在显著的鸿沟。

NAVSIM 论文《Can We Also Drive in Closed-loop?》通过系统性实证研究揭示了这一鸿沟的严重程度：开环评测中的 L2 误差与闭环驾驶质量之间的 Pearson 相关系数仅约 0.3。这意味着一个在开环评测中排名第一的模型，在真实闭环部署中可能完全不合格。越来越多的研究者开始呼吁抛弃"开环迷信"，转向更可靠的闭环评估或混合评估策略。

本文将从原理、方法、指标和实证分析四个维度，全面解析这两种评测范式，帮助研究者在论文写作和模型选择中做出更准确的判断。

二、开环评测

2.1 基本定义

开环评测的核心流程如下：

从已录制的驾驶数据集中取出一个片段
将历史观测数据（图像、点云、高精地图等）输入规划模型
模型输出未来一段时间的 EGO 预测轨迹
将预测轨迹与人类驾驶员在 log 中的实际轨迹（ground truth）进行比较
计算误差指标

关键特征在于：评测过程中，模型不会接收到自身决策的反馈。每一步的输入都来自真实 log 数据，与模型的预测无关。

2.2 数据流示意

这种"教师强制（Teacher Forcing）“模式下，模型的一步预测误差不会传播到下一步——每一步都是独立比较。

仿真 on Elon's AD Insight