VAD: 효율적인 자율 주행을 위한 벡터화된 장면 표현

자율 주행은 신뢰할 수 있는 궤도 계획을 위해 주변 환경에 대한 포괄적인 이해가 필요합니다. 이전 연구들은 계획을 수행하기 위해 밀집된 래스터화된 장면 표현(예: 에이전트 점유 및 의미 지도)에 의존하였는데, 이는 계산적으로 부담이 크고 인스턴스 수준의 구조 정보를 빠뜨리는 단점이 있습니다. 본 논문에서는 VAD라는 자율 주행을 위한 엔드투엔드 벡터화 패러다임을 제안합니다. 이 패러다임은 주행 장면을 완전히 벡터화된 표현으로 모델링합니다. 제안된 벡터화 패러다임은 두 가지 중요한 장점을 가지고 있습니다. 첫째, VAD는 벡터화된 에이전트 운동과 맵 요소를 명시적인 인스턴스 수준의 계획 제약 조건으로 활용하여 계획 안전성을 효과적으로 향상시킵니다. 둘째, VAD는 계산량이 많은 래스터화된 표현과 수작업으로 설계된 후처리 단계를 없애므로 이전의 엔드투엔드 계획 방법보다 훨씬 빠르게 실행됩니다. VAD는 nuScenes 데이터셋에서 최고 수준의 엔드투엔드 계획 성능을 달성하며, 이전 최고 방법보다 크게 우수한 결과를 보여줍니다. 우리의 기본 모델인 VAD-Base는 평균 충돌률을 29.0% 크게 줄이고 2.5배 더 빠르게 실행됩니다. 또한 가벼운 변형 모델인 VAD-Tiny는 유사한 계획 성능을 달성하면서 추론 속도를 최대 9.3배 향상시키는 것으로 나타났습니다. 우리는 VAD의 우수한 성능과 높은 효율성이 실제 자율 주행 시스템 배포에 결정적이라고 믿습니다. 코드와 모델은 https://github.com/hustvl/VAD에서 제공되어 향후 연구를 지원하기 위한 기반이 됩니다.