SparseDrive: End-to-End Autonomes Fahren mittels spärlicher Szenenrepräsentation

Das etablierte modulare autonome Fahrzeugsystem wird in verschiedene eigenständige Aufgaben wie Wahrnehmung, Vorhersage und Planung zerlegt, was zu Informationsverlust und Fehlerakku­mulation zwischen den Modulen führt. Im Gegensatz dazu vereint das end-to-end-Paradigma mehrere Aufgaben in einem vollständig differenzierbaren Rahmenwerk und ermöglicht eine Optimierung im Sinne einer planungsorientierten Herangehensweise. Trotz des erheblichen Potenzials end-to-end-Paradigmen sind die Leistungsfähigkeit und Effizienz bestehender Methoden insbesondere hinsichtlich der Planungssicherheit nicht zufriedenstellend. Wir weisen dies auf die rechenintensiven BEV-(Bird’s Eye View)-Merkmale sowie die nahezu triviale Gestaltung von Vorhersage- und Planungskomponenten zurück. Um diesem Problem zu begegnen, erforschen wir die sparsame Repräsentation und überprüfen die Aufgabenarchitektur für end-to-end-autonome Fahrzeuge, wodurch wir ein neues Paradigma namens SparseDrive vorschlagen. Konkret besteht SparseDrive aus einem symmetrischen sparsen Wahrnehmungsmodul und einem parallelen Bewegungsplaner. Das sparsen Wahrnehmungsmodul vereint Detektion, Verfolgung und Online-Kartierung mittels einer symmetrischen Modellarchitektur und lernt eine vollständig sparsame Repräsentation der Fahrsituation. Für die Bewegungsvorhersage und Planung untersuchen wir die erhebliche Ähnlichkeit dieser beiden Aufgaben, was zu einer parallelen Architektur des Bewegungsplaners führt. Auf Basis dieser parallelen Struktur, die die Planung als ein multimodales Problem modelliert, schlagen wir eine hierarchische Planungs-Auswahlstrategie vor, die einen kollisionsbewussten Nachbewertungsmodul integriert, um eine rationale und sichere Trajektorie als endgültige Planungsausgabe zu wählen. Durch diese effektiven Entwürfe übertrifft SparseDrive die bisherigen State-of-the-Art-Methoden in allen Aufgaben erheblich, während gleichzeitig eine deutlich höhere Effizienz bei Training und Inferenz erreicht wird. Der Quellcode wird unter https://github.com/swc-17/SparseDrive zur Verfügung gestellt, um zukünftige Forschungen zu unterstützen.