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

这个成熟的模块化自动驾驶系统被分解成不同的独立任务，例如感知、预测和规划，导致模块之间信息丢失和错误积累。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，允许在以规划为导向的精神下进行优化。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令人满意，特别是在规划安全方面。我们将这归因于计算昂贵的鸟瞰图特征和预测和规划的简单设计。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，从而导致了运动规划器的并行设计。基于这个并行设计，我们提出了一种分层规划选择策略，其中包括一个碰撞感知重新评分模块，以选择一个合理和安全的轨迹作为最终规划输出。通过这样有效的设计，SparseDrive在所有任务的性能上大幅超越了以前的最新技术水平，同时实现了更高的训练和推理效率。将提供代码https://github.com/swc-17/SparseDrive以促进未来的研究。

SparseDrive试图解决端到端自动驾驶中的信息丢失和误差积累问题，提高规划安全性和效率。

SparseDrive采用了稀疏表示和对任务的重新设计，提出了一种称为Symmetric Sparse Perception和Parallel Motion Planner的新范式，用于统一多个任务并提高规划安全性和效率。

论文提出的SparseDrive在多个任务上表现出色，比现有方法具有更高的性能和效率。该论文提出的方法采用Symmetric Sparse Perception和Parallel Motion Planner，使用了多个数据集进行实验，并且开源了代码。

最近的相关研究包括：End-to-End Autonomous Driving with Super-resolution Networks、Learning to Drive using Inverse Reinforcement Learning、Learning a Driving Simulator。