本文主要是SafetyNet的框架概述。

1. 前言

文中提到了传统的决策规划的方法，主要有基于规则的方法和基于学习的方法。该论文提出了一种新的方法（文章自己说是新的，最主要的原因是该方法在洛杉矶进行了道路测试。）
但是这里的Fallback layer和基于规则的有很大不同，传统的基于规则的会设计代价函数，函数的权值的确定工作比较困难，但是这里的fallback层只需对得到轨迹进行硬约束的评价，方法简单。所以在工作量方面有本质的区别。（关于具体怎么进行判断后文会叙述）

2. 系统架构

2.1 MLplanner
2.2 Fallback layer

3. 效果
从效果上看，该方法对只用ML planner的效果提升了很多，但是相应的有一个缺点，就是决策规划的passiveness上升了许多，可以猜测是fallback层影响了最终的决策，终究是有些保守。
效果看图

4. 相关视频和资料
首页
https://woven-planet.github.io/l5kit/introduction.html
文档
https://www.self-driving-cars.org/papers/2022-safetynet
源码
https://github.com/woven-planet/l5kit