Versteckte Verzerrungen von End-to-End-Fahrmodellen

End-to-End-Fahrzeugsysteme haben in letzter Zeit rasche Fortschritte gemacht, insbesondere auf CARLA. Unabhängig von ihren wesentlichen Beiträgen führen sie zu Veränderungen an Nebenkomponenten des Systems. Folglich ist die Quelle der Verbesserungen unklar. Wir identifizieren zwei Verzerrungen, die in fast allen neuesten Methoden auftreten und für den beobachteten Fortschritt auf CARLA entscheidend sind: (1) laterale Korrektur durch einen starken induktiven Bias zur Ziel-Punkt-Folge und (2) longitudinale Durchschnittsbildung von multimodalen Wegpunkt-Vorhersagen zur Verlangsamung. Wir untersuchen die Nachteile dieser Verzerrungen und identifizieren prinzipielle Alternativen. Durch die Einbeziehung unserer Erkenntnisse entwickeln wir TF++, eine einfache End-to-End-Methode, die auf den Benchmarks Longest6 und LAV den ersten Platz belegt und 11 Punkte Fahrleistung gegenüber der besten bisherigen Arbeit auf Longest6 gewinnt.