用于无高精地图自动驾驶的GAD生成学习

用于无高精地图自动驾驶的GAD生成学习

• 论文链接：https://arxiv.org/pdf/2405.00515.pdf

附赠自动驾驶最全的学习资料和量产经验：链接

摘要

本文介绍了用于无高精地图自动驾驶的GAD生成学习。近年来，基于深度学习的技术已被广泛用于量产的自动驾驶软件栈中，主要着重于感知模块，一些工作将该方法扩展到预测模块。然而，下游规划和控制模块仍然是通过大量人工制定的规则所设计的，其主要是基于优化的方法，例如二次规划或者模型预测控制。这导致自动驾驶系统存在性能瓶颈，在极端情况下无法通过人工设计的规则来解决。本文提出了一种基于深度学习的方法，其将预测、决策和规划模块相结合，试图克服基于规则的方法在自动驾驶实际应用中的不足，特别是在城市场景中。本文所提出的DNN模型仅使用10小时的人类驾驶员数据进行训练，它支持迄今为止市场上所有量产的ADAS功能。该方法被部署到极越测试汽车上，而不需要修改工厂配备的传感器套件和计算平台。本文展现了该方法的可行性、可用性和商业潜力。

主要贡献

本文的贡献总结如下：

1）本文提出了一种行业级范式，用于无高精地图情况下的数据驱动预测-规划。本文的模型利用了非参数信息，更好地容忍上游感知模块，并且在一个主干网络中处理预测和规划任务；

2）据我们所知，本文是首次在复杂的现实世界城市道路上使用工厂配备的传感器套件和计算平台对此类系统进行评估。与大量的线下研究所采用的模仿指标相比，本文证明了闭环评估的必要性；

3）本文扩展了最先进的数据驱动方法，并且提出了一种超越简单模仿或者轨迹采样的方法，通过将max-margin规划与多模态模仿相结合来解释生成学习的潜力。

论文图片和表格