【GPD-1: 自动驾驶场景的演变建模，包括地图生成、运动预测和轨迹规划等任务】

主要观点总结

GPD-1是一个用于自动驾驶场景的演变建模的统一模型。它无需额外的微调就能完成多种任务，包括地图生成、运动预测和轨迹规划等。

关键观点总结

关键观点1: 统一的标记表示

GPD-1将每个场景表示为自我、代理和地图标记，把自动驾驶问题表述为统一的标记生成问题。

关键观点2: 自回归变换器架构

GPD-1采用自回归变换器架构，并使用场景级注意力掩码实现场景内双向交互。

关键观点3: 层次位置分词器

对于自我和代理标记，GPD-1提出了一个层次位置分词器，有效地编码二维位置和方向信息。

关键观点4: 地图矢量量化自编码器

对于地图标记，GPD-1训练了地图矢量量化自编码器，将自我中心的语义地图高效压缩成离散标记。

关键观点5: 两阶段训练过程

GPD-1使用两阶段训练过程来构建自动驾驶模拟和规划任务的坚实基础。第一阶段训练地图VQ-VAE潜在标记器，第二阶段用于提取每一帧地图的潜在表示。

关键观点6: 广泛的任务泛化

GPD-1能够在不同的提示下泛化到各种任务，包括场景生成、交通模拟、闭环模拟等，无需微调。

关键观点7: 大规模数据集预训练

GPD-1在大规模的nuPlan数据集上进行预训练，并进行了广泛的实验来评估其有效性。

关键观点8: 效果展示

GPD-1能够联合预测未来场景演变和代理运动，这需要对2D场景的空间理解和驾驶场景进展的时间建模。