إعادة التفكير في تقييم الدائرة المفتوحة للقيادة الذاتية من الطرف إلى الطرف في nuScenes

تُقسَّم الأنظمة الحديثة للقيادة الذاتية عادةً إلى ثلاث مهام رئيسية: الاستشعار، والتنبؤ، والتخطيط. وتتضمن مهمة التخطيط التنبؤ بالمسار الذي سيسلكه المركبة المُراقبة (ego vehicle) بناءً على مدخلات من النية الداخلية والبيئة الخارجية، ثم التحكم في المركبة وفقًا لذلك. تقيّم معظم الدراسات الحالية أداؤها على مجموعة بيانات nuScenes باستخدام خطأ L2 ومعدل الاصطدام بين المسارات المتنبأ بها والمسارات الحقيقية (ground truth). في هذه الورقة، نعيد تقييم هذه المقاييس التقييمية الحالية ونستكشف ما إذا كانت تقيس بدقة التفوق بين الطرق المختلفة. وبشكل خاص، نصمم طريقة تعتمد على شبكة عصبية متعددة الطبقات (MLP) تأخذ بيانات الاستشعار الخام (مثل المسار السابق، والسرعة، إلخ) كمدخلات، وترجع مباشرةً المسار المستقبلي للمركبة المُراقبة، دون استخدام أي معلومات استشعار أو تنبؤ مثل صور الكاميرات أو بيانات LiDAR. تحقق هذه الطريقة البسيطة أداءً مماثلاً في التخطيط من النموذج المتكامل (end-to-end) على مجموعة بيانات nuScenes مقارنة بالطرق القائمة على الاستشعار، مع تقليل متوسط خطأ L2 بنسبة تصل إلى 20٪. وفي الوقت نفسه، تمتلك الطرق القائمة على الاستشعار ميزة واضحة من حيث معدل الاصطدام. ونقوم أيضًا بتحليل عميق، ونقدم رؤى جديدة حول العوامل الحاسمة لنجاح مهمة التخطيط على مجموعة بيانات nuScenes. كما تشير ملاحظاتنا إلى ضرورة إعادة التفكير في النموذج الحالي المفتوح (open-loop) لتقييم الأنظمة المتكاملة للقيادة الذاتية على nuScenes. يمكن الاطلاع على الكود من خلال الرابط التالي: https://github.com/E2E-AD/AD-MLP.