DRAMA: An Efficient End-to-end Motion Planner for Autonomous Driving with Mamba

本文提出了 DRAMA，这是首个基于 Mamba 的端到端自动驾驶车辆运动规划器。在高度动态和复杂的环境中生成安全可行的轨迹是自动驾驶车辆的核心能力，也是一个具有挑战性的任务。DRAMA 在特征空间中融合了相机、LiDAR 鸟瞰图像以及自身状态信息，生成一系列未来的自身轨迹。与传统的基于 Transformer 的方法需要二次注意力复杂度来处理序列长度不同，DRAMA 能够实现更少的计算复杂度，展示出处理越来越复杂的场景的潜力。利用 Mamba 融合模块，DRAMA 能够高效有效地融合相机和 LiDAR 模态的特征。此外，本文还引入了 Mamba-Transformer 解码器，增强了整体规划性能。该模块对于任何基于 Transformer 的模型都具有普遍适应性，特别适用于具有长序列输入的任务。本文还引入了一种新颖的特征状态丢失方法，提高了规划器的鲁棒性，而不增加训练和推理时间。广泛的实验结果表明，DRAMA 在 NAVSIM 数据集上比基线 Transfuser 实现了更高的精度，同时参数更少，计算成本更低。

提出了 DRAMA，这是第一个基于 Mamba 的端到端自动驾驶车辆运动规划器。该论文旨在解决自动驾驶车辆在高度动态和复杂环境中生成安全和可行轨迹的挑战。

DRAMA 将相机、LiDAR 鸟瞰图像以及自我状态信息融合到特征空间中，以生成一系列未来的自我轨迹。与传统的基于 Transformer 的方法相比，DRAMA 能够实现更少的计算复杂度，展示了处理越来越复杂场景的潜力。

该论文提出了 Mamba 融合模块和 Mamba-Transformer 解码器，以提高运动规划性能。论文还介绍了一种新颖的特征状态丢失方法，提高了规划器的鲁棒性。实验结果表明，DRAMA 在 NAVSIM 数据集上比基线 Transfuser 实现更高的准确性，同时参数更少、计算成本更低。

最近的相关研究包括使用 Transformer 进行运动规划的其他工作，如 Transfuser 和 MATTransformer。