SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation

已经成熟的模块化自动驾驶系统被分解为不同的独立任务，例如感知、预测和规划，这些任务在模块之间存在信息丢失和误差累积的问题。相比之下，端到端范式将多个任务统一到一个完全可微分的框架中，允许以规划为导向的方式进行优化。尽管端到端范式具有巨大的潜力，但现有方法的性能和效率都不够令人满意，特别是在规划安全方面。我们将这归因于计算成本昂贵的鸟瞰图特征和预测规划的简单设计。为此，我们探索了稀疏表示并重新审视了端到端自动驾驶的任务设计，提出了一种名为SparseDrive的新范式。具体而言，SparseDrive由对称稀疏感知模块和并行运动规划器组成。稀疏感知模块使用对称模型架构统一检测、跟踪和在线映射，学习驾驶场景的完全稀疏表示。对于运动预测和规划，我们审查了这两个任务之间的巨大相似性，导致了运动规划器的并行设计。基于这个并行设计，将规划建模为多模式问题，我们提出了一种分层规划选择策略，其中包括一种考虑碰撞的重新评分模块，以选择一个合理和安全的轨迹作为最终的规划输出。通过这样有效的设计，SparseDrive在所有任务的性能方面大幅超越了以前的最新技术，同时实现了更高的训练和推理效率。为了促进未来的研究，代码将在https://github.com/swc-17/SparseDrive上提供。

提出了一种名为SparseDrive的新型自动驾驶范式，旨在解决现有端到端自动驾驶方法中存在的计算效率和安全性问题。

SparseDrive采用稀疏表示和对任务设计进行了重新审视，包括对称稀疏感知模块和并行运动规划器的设计。并行设计将规划建模为多模态问题，使用碰撞感知重新打分模块选择合理且安全的轨迹作为最终规划输出。

SparseDrive在所有任务的性能上都明显优于现有的端到端自动驾驶方法，并实现了更高的训练和推理效率。研究使用了开源数据集，并提供了开源代码以促进未来研究。

与SparseDrive相关的研究包括端到端自动驾驶方法和稀疏表示的应用。