SparseDrive：基于稀疏场景表示的端到端自动驾驶

SparseDrive：基于稀疏场景表示的端到端自动驾驶

• 论文链接：https://arxiv.org/pdf/2405.19620

• 代码链接：https://github.com/swc-17/SparseDrive

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SparseDrive：基于稀疏场景表示的端到端自动驾驶。成熟的模块化自动驾驶系统被解耦为不同的独立任务（例如感知、预测和规划），其受到跨模块信息丢失和误差累积的影响。相比之下，端到端范式将多任务统一为一个完全可微的框架，允许以面向规划的方式进行优化。尽管端到端范式具有巨大潜力，但是现有方法的性能和效率都不令人满意，特别是在规划安全性方面。本文将此归因于鸟瞰图（BEV）功能计算成本高昂以及用于预测和规划的设计较为简单。为此，本文探索了稀疏表示，并且概述了端到端自动驾驶的任务设计，提出了一种新的范式SparseDrive。具体而言，SparseDrive由对称稀疏感知模块和并行运动规划器组成。稀疏感知模块统一了检测、跟踪和在线建图与对称模型架构，学习驾驶场景的完全稀疏表示。对于运动预测和规划，本文概述了这两个任务之间的巨大相似性，从而对运动规划器进行并行设计。基于这种将规划建模为多模态问题的并行设计，本文提出了一种分层规划选择策略，该策略结合了一个碰撞感知再评分模块，以选择合理且安全的轨迹作为最终规划输出结果。通过这种有效设计，SparseDrive在所有任务上的性能都大大超越了先前最先进的方法，同时实现了更高的训练和推理效率。

主要贡献

本文的主要贡献总结如下：

1）本文探索了端到端自动驾驶的稀疏场景表示，并且提出了一种Sparse-Centric范式，称为SparseDrive，其统一了多任务与稀疏实例表示；

2）本文概述了运动预测和规划之间的巨大相似性，相应地实现了运动规划器的并行设计。本文进一步提出了一种分层规划选择策略，其结合了一种碰撞感知再评分模块，以提高规划性能；

3）在具有挑战性的nuScenes基准上，SparseDrive在所有指标（特别是安全关键指标——碰撞率）上均超越了先前SOTA方法，同时保持了更高的训练和推理效率。

论文图片和表格

总结

本项工作探索了稀疏场景表示，并且概述了端到端自动驾驶领域中的任务设计。由此提出的端到端范式SparseDrive实现了卓越的性能和高效率。本文希望SparseDrive令人印象深刻的性能能够推动业界重新思考端到端自动驾驶的任务设计，并且促进该领域的技术进步。