NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking

评估基于视觉的驾驶策略是具有挑战性的。一方面，使用真实数据进行开环评估很容易，但这些结果不反映闭环性能。另一方面，闭环评估在模拟中是可能的，但由于计算需求的显著增加，难以扩展。此外，今天可用的模拟器与真实数据存在很大的领域差距。这导致无法从不断增长的有关端到端自动驾驶的研究中得出明确的结论。在本文中，我们提出了NAVSIM，介于这些评估范式之间的中间地带，我们使用大型数据集与非反应性模拟器相结合，实现大规模真实世界的基准测试。具体而言，我们通过展开测试场景的鸟瞰视图抽象来收集基于模拟的指标，例如进展和碰撞时间，以进行短期模拟。我们的模拟器是非反应性的，即评估的策略和环境不相互影响。正如我们经验证明的那样，这种解耦允许开环度量计算，同时比传统的位移误差更好地与闭环评估相一致。NAVSIM在CVPR 2024举办了一场新的竞赛，共有143个团队提交了463个条目，产生了几个新的见解。在一组具有挑战性的场景中，我们观察到，具有中等计算要求的简单方法（例如TransFuser）可以与最近的大规模端到端驾驶架构（例如UniAD）相匹配。我们的模块化框架可以潜在地通过新的数据集、数据整理策略和指标进行扩展，并将持续维护以承载未来的挑战。我们的代码可在https://github.com/autonomousvision/navsim上找到。

基于视觉的驾驶策略评估存在挑战，如何解决这个问题？

提出一种中间评估范式NAVSIM，结合大型数据集和非反应性模拟器，实现大规模真实世界基准测试。

NAVSIM可以在不影响策略和环境之间的相互作用的情况下进行开环度量计算，并且比传统的位移误差更符合闭环评估。通过NAVSIM，可以在CVPR 2024中举办新的比赛，143个团队提交了463个条目。实验发现，简单的方法如TransFuser可以匹配UniAD等大规模端到端驾驶架构。该框架可以扩展到新的数据集、数据策略和指标，并将继续维护以托管未来的挑战。

近期相关研究包括：1.《End-to-End Learning for Autonomous Driving: A Survey》；2.《Learning to Drive: Perception for Autonomous Cars》；3.《Survey of Deep Learning Techniques for Autonomous Driving》等。