RL在自动驾驶中的应用
过程梳理 Metric cache Metric Cache 在这个工程中是一个预计算的环境真值与场景快照，专门为了加速 PDM (Predictive Drive Model) 评分过程而设计的。 它的核心作用是：解耦了繁重的 NuPlan 数据加载与实时特征计算。在评估（Inference/Evaluation）阶段，模型不需要去查原始的 NuPlan 数据库，而是直接读取这个 Cache 来获取所有的环境约束和评判标准。 以下是详细的工程视角解析： 字段定义 一个 Python dataclass 对象，被序列化为 .pkl 文件（LZMA压缩）。 它包含以下核心字段： file_path: 原始文件路径。 trajectory: PDM-Closed Planner 生成的参考轨迹。这是一个基于规则（IDM）生成的“专家演示”轨迹，用于作为 Baseline 对比。 ego_state: 自车的初始状态（位置、速度、朝向）。 observation: 未来时刻的动态障碍物真值 (PDMObservation)。包含周围车辆、行人的未来轨迹（已插值到 10Hz）。 centerline: 车道中心线 (PDMPath)。用于判断自车是否在正确路线上以及计算行驶进度。 route_lane_ids: 导航路径上的车道 ID 列表。 drivable_area_map: 可行驶区域图 (PDMDrivableMap)。用于快速碰撞检测，判断自车是否驶出道路。 生产 生成逻辑在 metric_cache_processor.py 中。 当你运行 run_metric_caching.py 时，流程如下： 加载场景: 从 NuPlan 数据库读取原始 Scenario。 运行 PDM-Closed Planner: 也就是运行一个基于 IDM (Intelligent Driver Model) 的规则算法，生成一条“参考轨迹”并存入 trajectory 字段。 插值真值 (Ground Truth): 将场景中所有其他 Agent 的真实轨迹插值到 10Hz（0.1秒间隔），存入 observation。这是为了在评估时进行高精度的碰撞检测。 提取地图: 提取周围的可行驶区域多边形和中心线，存入 drivable_area_map 和 centerline。 序列化: 将上述所有对象打包，压缩保存为 Cache 文件。 使用 在推理/评估脚本 run_pdm_score.py (调用 pdm_score.py) 中： ...