SparseDrive : Conduite autonome bout-en-bout par représentation éparsé de la scène

Le système modulaire d'autonomie automobile bien établi est décomposé en différentes tâches autonomes, telles que la perception, la prédiction et la planification, ce qui entraîne une perte d'information et une accumulation d'erreurs entre les modules. En contraste, les paradigmes « end-to-end » intègrent les différentes tâches dans un cadre entièrement différentiable, permettant une optimisation dans une optique orientée planification. Malgré le grand potentiel de ces approches end-to-end, les performances et l'efficacité des méthodes existantes restent insatisfaisantes, en particulier en ce qui concerne la sécurité de la planification. Nous attribuons cette limitation à l'usage coûteux en calcul des représentations BEV (bird’s eye view) ainsi qu'à une conception directe de la prédiction et de la planification. À cet effet, nous explorons une représentation creuse et réexaminons la conception des tâches pour les systèmes d'autonomie end-to-end, proposant un nouveau paradigme nommé SparseDrive. Concrètement, SparseDrive se compose d'un module de perception creuse symétrique et d'un planificateur de mouvement parallèle. Le module de perception creuse unifie la détection, le suivi et la cartographie en temps réel via une architecture de modèle symétrique, apprenant ainsi une représentation entièrement creuse de la scène de conduite. Pour la prédiction du mouvement et la planification, nous analysons la grande similarité entre ces deux tâches, ce qui conduit à une conception parallèle du planificateur. Sur la base de cette architecture parallèle, qui modélise la planification comme un problème multi-modal, nous proposons une stratégie hiérarchique de sélection de planification, intégrant un module de recalcul conscient des collisions, afin de sélectionner une trajectoire rationnelle et sûre comme sortie finale du planificateur. Grâce à ces conceptions efficaces, SparseDrive surpasse largement les états de l'art précédents en termes de performance sur toutes les tâches, tout en atteignant une efficacité bien supérieure en entraînement et en inférence. Le code sera mis à disposition à l'adresse suivante : https://github.com/swc-17/SparseDrive, afin de favoriser les recherches futures.