ReasonNet：基于时空与全局推理的端到端驾驶

自动驾驶车辆的大规模部署尚未到来，而其中仍面临的一项重大挑战在于城市密集交通场景下的复杂驾驶问题。在这些场景中，准确预测场景的未来演变以及各类交通参与者的行为仍极具挑战性，尤其难以应对诸如被遮挡物体突然出现等罕见异常事件。本文提出了一种名为ReasonNet的新型端到端驾驶框架，该框架充分融合了驾驶场景中的时序信息与全局上下文信息。通过推理物体在时间维度上的行为模式，我们的方法能够有效建模不同帧之间特征间的交互关系；同时，对场景全局信息的推理也有助于提升整体感知性能，并显著增强对异常事件的检测能力，特别是对被遮挡物体潜在危险的前瞻性预判。为全面评估模型在遮挡事件下的表现，我们还公开发布了一个名为DriveOcclusionSim的驾驶仿真基准数据集，涵盖多种类型的遮挡场景。我们在多个CARLA基准上进行了大量实验，结果表明，所提模型在所有现有方法中表现最优，在公开的CARLA Leaderboard传感器赛道中排名第一。