GraphAD: Interaction Scene Graph for End-to-end Autonomous Driving

在自动驾驶的安全关键部分，对于自车、道路代理和地图元素之间复杂的相互作用进行建模是至关重要的。以前的端到端自动驾驶研究依赖于注意力机制来处理异构交互，但这种方法无法捕捉几何先验信息，而且计算量很大。本文提出了交互场景图(ISG)作为一种统一的方法来建模自车、道路代理和地图元素之间的相互作用。使用ISG的表示方法，驾驶代理从最具影响力的元素中聚合必要的信息，包括具有潜在碰撞风险的道路代理和需要跟随的地图元素。由于省略了大量不必要的交互，更高效的场景图框架能够专注于必要的连接，并导致更好的性能。我们在nuScenes数据集上评估了端到端自动驾驶的提出方法。与强基线相比，我们的方法在包括感知、预测和规划在内的全栈驾驶任务中表现显著优异。代码将在https://github.com/zhangyp15/GraphAD发布。

提出了Interaction Scene Graph (ISG)的方法，旨在解决自动驾驶中各方之间的复杂交互建模问题。相比于现有的方法，ISG能够更高效地聚焦于必要的连接，从而提高性能。

论文中提出了Interaction Scene Graph (ISG)的方法，用于建模自动驾驶中各方之间的交互。ISG能够聚焦于必要的连接，从而提高性能。

论文在nuScenes数据集上进行了实验，证明了ISG方法在自动驾驶的全流程任务中（包括感知、预测和规划）的显著优势。此外，论文还提供了开源代码。

与该论文相关的研究包括：End-to-End Learning for Self-Driving Cars、Neural Motion Planning: Perception, Planning, and Control for Autonomous Vehicles等。