SparseDrive: القيادة الذاتية من الطرف إلى الطرف من خلال تمثيل مشهد نادر

يُعد النظام المعياري المُقسَّم للقيادة الذاتية مُفصَّلاً إلى مهام منفصلة مختلفة، مثل التمييز (perception) والتنبؤ (prediction) والتخطيط (planning)، مما يُسبِّب خسارة في المعلومات وتراكم الأخطاء عبر الوحدات. وعلى النقيض من ذلك، تُوحِّد النماذج النهائية (end-to-end) المهام المتعددة ضمن إطار قابل تمامًا للتفاضل، مما يسمح بتحسين الأداء بروح توجيهية نحو التخطيط. وعلى الرغم من الإمكانات الكبيرة لهذه النماذج النهائية، فإن الأداء والكفاءة لدى الطرق الحالية لا تُرضي التوقعات، خصوصًا فيما يتعلق بسلامة التخطيط. ونُرجِّح هذا إلى استهلاك موارد الحوسبة العالية في ميزات المنظور من الأعلى (BEV)، إلى جانب التصميم البسيط لمهام التنبؤ والتخطيط. ولحل هذه المشكلة، نستكشف التمثيل النادر (sparse representation) ونُعيد مراجعة تصميم المهام للقيادة الذاتية النهائية، ونُقدِّم نموذجًا جديدًا يُسمَّى SparseDrive. وبشكل مُفصَّل، يتكوّن SparseDrive من وحدة تمييز نادرة متماثلة، ووحدة تخطيط حركي متوازية. وتُوحِّد الوحدة المتماثلة النادرة للتمييز المهام الثلاث: الكشف، والتتبع، والخرائط الزمنية المباشرة (online mapping)، باستخدام بنية نموذج متماثلة، وتتعلم تمثيلًا كاملًا نادرًا للبيئة القيادة. أما في ما يتعلق بالتنبؤ بالحركة والتخطيط، فإننا نُعيد مراجعة التشابه الكبير بين هاتين المهمتين، ما يؤدي إلى تصميم متوازٍ لوحدة التخطيط الحركي. وباستنادًا إلى هذا التصميم المتوازِي، الذي يُعامل التخطيط كمشكلة متعددة النماذج (multi-modal)، نُقدِّم استراتيجية اختيار تخطيط هرمية، تضم وحدة إعادة تقييم واعية بالتصادم، لاختيار مسار معقول وآمن كمخرج نهائي للتخطيط. وبفضل هذه التصاميم الفعّالة، يتفوّق SparseDrive على أحدث النماذج السابقة بكثير في أداء جميع المهام، مع تحقيق كفاءة عالية جدًا في التدريب والاستنتاج. وسيكون الكود متاحًا على الرابط التالي: https://github.com/swc-17/SparseDrive لتسهيل الأبحاث المستقبلية.