sparseDrive(1): 论文解读

24年5月来自清华和地平线的论文“SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation”。

成熟的模块化自动驾驶系统通常将感知、预测、规划等任务解耦为独立模块，这种架构存在跨模块信息丢失与误差累积问题。相比之下，端到端范式将多任务整合为完全可微分的框架，实现了以规划为导向的全局优化。虽然端到端方法展现出巨大潜力，但现有方案在规划安全性和系统效率方面仍不尽如人意。我们将其归因于昂贵的鸟瞰图（BEV）特征计算以及当前预测与规划模块的粗放设计。为此，我们探索稀疏表征技术并重构端到端自动驾驶任务架构，提出名为SparseDrive的新范式。具体而言，该系统包含对称稀疏感知模块与并行运动规划器：稀疏感知模块通过对称模型架构统一目标检测、跟踪与在线建图功能，学习驾驶场景的完全稀疏表征；针对运动预测与规划的高度相似性，我们创新性地采用并行架构设计运动规划器。基于这种将规划建模为多模态问题的并行设计，进一步提出包含碰撞感知重评分模块的分层规划选择策略，最终输出合理且安全的行驶轨迹。通过上述创新设计，SparseDrive