초록
최근 엔드투엔드 주행 시스템이 급속히 발전하고 있으며, 특히 CARLA에서 이러한 발전이 두드러집니다. 이들 시스템은 주요 기여와 별개로 소규모 시스템 구성 요소에 변화를 도입합니다. 그 결과, 성능 향상의 원인이 불분명해졌습니다. 우리는 거의 모든 최신 방법에서 반복적으로 나타나며 CARLA에서 관찰된 발전에 중요한 역할을 하는 두 가지 편향을 식별하였습니다: (1) 목표 지점 추적에 대한 강한 귀납적 편향을 통한 측면 회복, (2) 다중 모드 웨이포인트 예측의 종방향 평균화를 통한 감속.우리는 이러한 편향들의 단점을 조사하고 원칙적인 대안들을 식별하였습니다. 우리의 인사이트를 반영하여 TF++라는 간단한 엔드투엔드 방법을 개발하였으며, 이는 Longest6 및 LAV 벤치마크에서 1위를 차지하며 Longest6에서 이전 최고 연구보다 11점 높은 주행 점수를 얻었습니다.