ParkingE2E: Camera-based End-to-end Parking Network, from Images to Planning

自主泊车是智能驾驶领域中至关重要的任务。传统的泊车算法通常采用基于规则的方案进行实现。然而，由于算法的复杂设计，这些方法在复杂的泊车场景中的效果较差。相比之下，基于神经网络的方法比基于规则的方法更具直观性和通用性。通过收集大量专家泊车轨迹数据，并通过学习方法模拟人类策略，可以有效地解决泊车任务。在本文中，我们采用模仿学习来执行从RGB图像到路径规划的端到端规划，通过模仿人类驾驶轨迹。所提出的端到端方法利用目标查询编码器来融合图像和目标特征，以及基于变换器的解码器来自回归地预测未来航点。我们在实际场景中进行了大量实验，结果表明，所提出的方法在四个不同的实际车库中实现了平均87.8%的泊车成功率。真实车辆实验进一步验证了本文所提出的方法的可行性和有效性。

论文旨在通过模仿人类驾驶轨迹，采用端到端规划方法从RGB图像到路径规划，使用神经网络解决自动停车的问题。

论文提出了一种使用目标查询编码器融合图像和目标特征，以及使用基于变换器的解码器自回归预测未来航点的端到端方法。

论文在四个不同的现实世界车库中进行了广泛的实验，结果表明所提出的方法在平均停车成功率方面达到了87.8％。同时，实验还验证了该方法的可行性和有效性。

在这个领域中，还有其他相关研究，如《End-to-End Learning for Autonomous Driving》、《Real-Time End-to-End Action Detection with Two-Stream Networks》等。