24年5月来自清华和地平线的论文“SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation”。 成熟的模块化自动驾驶系统被分解为不同的独立任务,例如感知、预测和规划,这些任务在模块之间…
但以前的方法在规划时,往往只预测一种确定的轨迹,没有考虑到这种不确定性。 spardrive结构:首先将多视图图像编码为特征图,然后通过对称稀疏感知学习稀疏场景表示,最后并行地进行运动预测和规划。设计了一个用于时间建模的实例内存队列 2.方法介绍 SparseDrive 包括三个主要部分:图像编码器(image encoder)、对称稀疏感知...
为此,我们提出了 SparseDrive,一个如图 1b 所示的 Sparse-Centric 范式。具体来说,SparseDrive 由一个对称的稀疏感知模块和一个并行运动规划器组成。通过解耦的实例特征和几何锚点作为实例(动态道路代理或静态地图元素)的完整表示,对称稀疏感知通过对称的模型架构统一了检测、跟踪和在线地图构建任务,学习驾驶场景的完全稀...
不得不说,地平线真的很喜欢在在sparse上做文章!之前开源的3D目标检测工作"Sparse4D",无论是性能还是部署端的友好程度,都在业内不小的反响。这篇论文,地平线又通过稀疏的场景表达,实现端到端的自动驾驶,达到 SOTA。命名为"SparseDrive"! 关注知乎@自动驾驶之心,第一时间获取自动驾驶感知/定位/融合/规控等行业...
之前在自己的电脑上成功配置了一次,但是设备问题无法训练。现在换到云服务器上进行重新部署训练。 完整架构目录放在文章最后 # 云环境配置 选择使用了AutoDL(AutoDL算力云 | 弹性、好用、省钱。租GPU就上AutoDL),容器选择4090卡,环境是miniconda3,手动安装其他环境。
SparseDrive首先将多视角图像编码为特征图,然后通过对称稀疏感知学习稀疏场景表示,最后以并行方式进行运动预测和规划。为时间建模设计了一个实例记忆队列。 其中的跟踪模块是沿用Sparse4Dv3的,因此以下是Sparse4Dv3中关于跟踪部分的讲解 跟踪 对于Tracking,遵循Sparse4Dv3的ID分配过程:一旦实例的检测置信度超过阈值 Tthresh...
SparseDriveMotivation本文认为现有的端到端方法主要存在两个问题:一个是 BEV范式下的方法非常耗算力;另一个是预测和planning串联式的方式不够好。基于此,本文提出一种Sparse范式下的端到端方法,且预测和plann…
TTOG中不同模块的作用 在NuScens和Bench2Drive数据集上: 运动数据量对TTOG的影响 可视化 结论 写在最后 推荐阅读 1v1 科研论文 写在前面 & 笔者的个人理解 端到端自动驾驶近年来取得了显著进展。以往的端到端自动驾驶方法通常将规划和运动任务解耦,视为独立模块。这种分离忽视了规划可以从运动任务中遇到的分布外...
不得不说,地平线真的很喜欢在在sparse上做文章!之前开源的3D目标检测工作"Sparse4D",无论是性能还是部署端的友好程度,都在业内不小的反响。这篇论文,地平线又通过稀疏的场景表达,实现端到端的自动驾驶,达到 SOTA。命名为"SparseDrive"! 关注知乎@自动驾驶之心,第一时间获取自动驾驶感知/定位/融合/规控等行业...