为此,本文探索稀疏表示并回顾端到端自动驾驶的任务设计,提出 SparseDrive 范式。具体而言,SparseDrive 由对称稀疏感知模块和并行运动规划器组成。稀疏感知模块将检测、跟踪和在线建图与对称模型架构统一起来,学习驾驶场景的全稀疏表示。对于运动预测和规划,回顾这两个任务之间的巨大相似性,从而为运动规划器提出一种并行设计...
在表1b的多目标跟踪中,SparseDrive实现了50.1%的AMOTA和最低的ID切换次数632,在AMOTA方面比UniAD高出+14.2%,并将ID切换减少了30.2%,展示了轨迹跟踪的时间一致性。在表1c的在线地图构建中,SparseDrive的mAP为56.2%,也比先前的端到端方法VAD高出+8.6%。 预测。在表2a的运动预测中,SparseDrive以0.60m的minADE...
在表1a的3D检测中,SparseDrive实现了49.6%的mAP和58.8%的NDS,与UniAD相比,mAP提高了+11.6%,NDS提高了+9.0%,实现了显著的改进。在表1b的多目标跟踪中,SparseDrive实现了50.1%的AMOTA和最低的ID切换次数632,在AMOTA方面比UniAD高出+14.2%,并将ID切换减少了30.2%,展示了轨迹跟踪的时间一致性。在表1c的在线地...
对于表 b 中的多目标跟踪,SparseDrive 实现了 50.1% 的 AMOTA,最低 ID 切换为 632,在 AMOTA 方面超过 UniAD +14.2%,ID 切换减少了 30.2%,显示了跟踪轨迹的时间一致性。对于在线建图任务,SparseDrive 的 mAP 为 56.2%,也比之前的端到端方法 VAD 高出 +8.6%。 Prediction:对于表 a 中的运动预测,Sparse...
我们探索了端到端自动驾驶的稀疏场景表示,并提出了一种以稀疏为中心的范式 SparseDrive,它将多个任务与稀疏实例表示统一起来。 我们修改了运动预测和规划之间的巨大相似性,相应地带来了运动规划器的并行设计。我们进一步提出了一种分层规划选择策略,其中包含一个碰撞感知重新评分模块,以提高规划性能。
重新定义端到端自动驾驶：SparseDrive的突破性成果地平线的研究团队在自动驾驶领域再次展现了他们的创新力，通过稀疏场景表示，他们推出了名为"SparseDrive"的全新端到端自动驾驶解决方案。这篇论文详细阐述了作者如何利用对称稀疏感知模块和并行运动规划器，实现了在所有任务上的SOTA性能，同时提升了训练和推理...
31 May, 2024:We release the SparseDrive paper onarXiv. Code & Models will be released in June, 2024. Please stay tuned! Introduction SparseDrive is a Sparse-Centric paradigm for end-to-end autonomous driving. We explore the sparse scene representation for end-to-end autonomous driving and ...
为此，我们提出了SparseDrive，一种以稀疏为中心的范式。具体来说，SparseDrive由一个对称的稀疏感知模块和一个并行的运动规划器组成。通过解耦的实例特征和几何锚点作为实例（一个动态道路代理或静态地图元素）的完整表示，对称稀疏感知使用对称的模型架构统一了检测、跟踪和在线映射任务，学习了一个完全稀疏的...
SparseDrive是一种新型的自动驾驶系统,它通过使用一种对称的稀疏感知模块和并行运动规划器来实现对复杂驾驶场景的高效处理。这种模块能够学习到驾驶场景中的完全稀疏表示,从而在检测、跟踪和构建在线地图等方面取得显著效果。 在运动预测和规划方面,SparseDrive采用分层规划选择策略,将规划建模为多模态问题。这种策略包括一...
Star411 Files main docs quick_start.md projects resources scripts tools .gitignore LICENSE README.md requirement.txt Cannot retrieve latest commit at this time. History Raw Quick Start Set up a new virtual environment conda create -n sparsedrive python=3.8 -y conda activate sparsedrive ...