Dec, 2023

自我状态是否足以支持开环端到端自主驾驶？

PDF
TL;DR自动驾驶最新研究中，终端到终端的全栈自动化日益成为一个有应用前景的研究方向。本文通过深入分析与详细阐述，探究了该问题的更多细节。研究表明，nuScenes 数据集在相对简单的驾驶场景中存在感知信息的低利用率，尤其是包括自身状态在内的整车速度对终端到终端模型的未来路径规划起到主导作用。此外，当前的评估指标无法全面评估规划质量，导致现有基准测试可能产生偏见。为了解决这个问题，我们引入了一种新的度量指标来评估预测轨迹是否符合道路要求。我们进一步提出了一种简单的基准模型，能够在不依赖感知注释的情况下取得有竞争力的结果。考虑到当前基准测试和指标的限制，我们建议学术界重新评估相关研究，并谨慎是否持续追求最新技术将带来令人信服和普适性较强的结论。
end-to-end autonomous drivingnuscenes datasetperception informationpath planningbenchmark and metrics
发现论文，激发创造
  • 重新思考在 NuScenes 中终端到终端自主驾驶的开环评估

    本论文重新评估了自动驾驶系统在三个主要任务中规划任务的评估方法，并设计了一种基于 MLP 的方法，仅使用原始传感器数据直接输出自车未来轨迹，在 nuScenes 数据集上实现了最先进的端到端规划性能，降低了约 30％的平均 L2 错误。同时，提供了对 nuScenes 数据集成功规划任务的关键因素进行深入分析，并提出了需要重新思考的问题。

    May, 2023

  • 自主驾驶中的高效主动学习：基于车辆动力学的场景表示来进行轨迹预测的无视觉感知

    探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究，提出了在主动学习框架中的轨迹状态聚类和采样方法，旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择，在训练数据中促进多样性，证明了方法在轨迹预测任务中的有效性，使用 nuScenes 数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升，甚至在仅使用 50% 的数据成本下达到次基线位移误差。结果表明，在解决 “冷启动问题” 方面，最初采样典型数据有助于，而随着训练池大小的增加，引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习，证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。

    May, 2024

  • Bench2Drive：闭环端到端自主驾驶的多能力基准测试

    自动驾驶技术正逐渐进入一个转折点，在数据驱动的方式下，通过端到端自动驾驶 (E2E-AD) 可扩展性，已经出现了一个具备变革性潜力的时代。然而，现有的 E2E-AD 方法主要是通过开环日志重放方式进行评估，使用 L2 误差和碰撞率作为度量标准，但这无法充分反映算法的驾驶表现。为了满足全自动驾驶 (FSD) 的全面、真实和公平的测试环境的首要需求，我们提出了 Bench2Drive，这是第一个在闭环方式下评估 E2E-AD 系统多项能力的基准测试。

    Jun, 2024

  • 端到端自动驾驶：挑战与前沿

    本文系统分析了 250 多篇论文，涵盖了自主驾驶的动机、路线图、方法论、挑战和未来趋势，并深入探讨了多模态、可解释性、因果混淆、健壮性和世界模型等若干关键挑战，同时讨论了基础模型和视觉预训练的最新进展，以及如何在端到端驾驶框架中整合这些技术。

    Jun, 2023

  • NuPlan: 一个基于闭环机器学习的自动驾驶规划基准

    本文提出了第一个基于机器学习的自动驾驶闭环规划基准测试，介绍了一个数据集、模拟器和规划特定度量的框架。数据集包含来自美国和亚洲四个城市的 1500 小时的人类驾驶数据，模拟器使用反应性代理程序，提供了大量的通用和特定场景的规划度量。

    Jun, 2021

  • 行为分析检测自主驾驶车辆

    利用图像和状态信息，该研究提出了一种全面的自动驾驶监测框架，旨在自动识别自动驾驶车辆与人工驾驶车辆的行为，并在充分考虑数据采集条件不佳的情况下进行测试。

    Mar, 2024

  • 学习型车辆运动规划的误解分析

    nuPlan 提供了第一个大规模实际数据集和评估计划，对于需要精确的短期规划和长期本体预测，现有系统难以同时满足这两个要求，我们提出了一种基于规则的简单而高效的策划方法，从而在 nuPlan 计划挑战中赢得了胜利。

    Jun, 2023

  • 基于深度学习的端到端自动驾驶：系统性综述

    综述了近期基于机器学习的技术，包括但不限于目标检测、轨迹预测与强化学习，以及对其进行分类和研究趋势，同时指出了该领域的挑战和未来研究方向。

    Aug, 2023

  • 车辆运动规划能否泛化到现实世界长尾情景？

    通过一个新的闭环评估基准测试 interPlan，本文评估了现有的最先进的规则和学习驱动的规划器，并展示了它们都无法安全地导航 interPlan 场景。同时，本文还引入了一种基于大型语言模型 (LLM) 的行为规划器和基于规则的运动规划器的混合规划器，该混合规划器在我们的基准测试上达到了最先进的性能。

    Apr, 2024

  • 一种新的基准测试范式和基于尺度和动态感知的自身行为者行人轨迹预测模型

    本文提出了一种基于场景进行评估的新模式，以评估自主行驶系统中行人轨迹预测算法的挑战，并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。

    Oct, 2023