VAD：用于高效自动驾驶的矢量化场景表示

自动驾驶需要全面理解周围环境以实现可靠的轨迹规划。以往的研究依赖于密集栅格化的场景表示（例如，代理占用和语义地图）来进行规划，这不仅计算量大，而且忽略了实例级别的结构信息。在本文中，我们提出了VAD，一种端到端的矢量化范式，用于自动驾驶，该范式将驾驶场景建模为完全矢量化的表示形式。所提出的矢量化范式具有两个显著优势。一方面，VAD利用矢量化的代理运动和地图元素作为显式的实例级规划约束，有效提高了规划的安全性。另一方面，通过摒弃计算密集型的栅格化表示和手工设计的后处理步骤，VAD比之前的端到端规划方法运行得更快。VAD在nuScenes数据集上实现了最先进的端到端规划性能，大幅超越了之前的最佳方法。我们的基础模型VAD-Base将平均碰撞率降低了29.0%，并且运行速度提高了2.5倍。此外，轻量级变体VAD-Tiny在实现相当的规划性能的同时，极大地提升了推理速度（最高可达9.3倍）。我们认为VAD的卓越性能和高效率对于自动驾驶系统的实际部署至关重要。代码和模型可在https://github.com/hustvl/VAD获取，以促进未来的研究。