SparseAD: Sparse Query-Centric Paradigm for Efficient End-to-End Autonomous Driving

End-to-End（端到端）范式使用统一的框架在自动驾驶系统中实现多任务。尽管简单明了，但端到端自动驾驶方法在子任务上的表现仍然远远落后于单任务方法。同时，以前的端到端方法中广泛使用的密集BEV特征使得扩展到更多模态或任务成本很高。在本文中，我们提出了一种面向查询的稀疏范式，用于端到端自动驾驶（SparseAD），其中稀疏查询完全代表整个驾驶场景，跨越空间、时间和任务，而没有任何密集的BEV表示。具体而言，我们为包括检测、跟踪和在线映射在内的感知任务设计了一个统一的稀疏架构。此外，我们重新审视了运动预测和规划，并设计了一个更合理的运动规划框架。在具有挑战性的nuScenes数据集上，SparseAD在端到端方法中实现了SOTA的全任务性能，并显著缩小了端到端范式和单任务方法之间的性能差距。代码将很快发布。

本论文旨在提出一种Sparse query-centric paradigm用于end-to-end自动驾驶，以解决现有end-to-end方法在子任务上表现不佳的问题。同时，该方法不需要使用昂贵的dense BEV features，可以更容易地扩展到更多模态或任务。

SparseAD采用了稀疏查询的方式，完全代表了整个驾驶场景，包括空间、时间和任务，而不需要任何密集的BEV表示。同时，设计了一个统一的稀疏架构，用于感知任务，包括检测、跟踪和在线地图制作。此外，重新审视了运动预测和规划，并设计了一个更合理的运动规划框架。

在具有挑战性的nuScenes数据集上，SparseAD在end-to-end方法中实现了SOTA的全任务性能，并显着缩小了end-to-end范例和单任务方法之间的性能差距。代码即将发布。

与本论文相关的研究包括：End-to-End Learning for Self-Driving Cars, Learning a Driving Simulator, Learning to Drive in a Day等。