基于V2X协作的端到端自动驾驶

基于V2X协作的端到端自动驾驶

• 论文链接：https://arxiv.org/pdf/2404.00717.pdf

• 代码链接：https://github.com/AIR-THU/UniV2X

附赠自动驾驶最全的学习资料和量产经验：链接

摘要

本文介绍了基于V2X协作的端到端自动驾驶。基于V2X通信协同利用自车和基础设施传感器数据已经成为高级自动驾驶的一种有前景的方向。然而，当前的研究主要着重于改进单个模块，而不是采用端到端学习来优化最终规划性能，从而导致数据潜力尚未得到充分利用。本文引入了UniV2X，这是一种开创性的协作自动驾驶框架，其将不同视图的所有关键驾驶模块无缝集成到一个统一的网络中。本文提出了一种稀疏-密集混合数据传输和融合机制，用于有效的汽车-基础设施协作，这提供了三点优势：1）有效地同时增强智能体感知、在线建图和占用预测，最终提高规划性能；2）传输方便，适用于实际和受限的通信条件；3）使用这种混合数据可解释性的可靠数据融合。本文在具有挑战性的DAIR-V2X（现实世界协作驾驶数据集）上实现了UniV2X，并且复现了若干种基准方法。实验结果证明了UniV2X在显著提高规划性能以及所有中间输出性能方面的有效性。

主要贡献

本文的主要贡献总结如下：

1）本文开创性地提出了首个明确的端到端框架，将重要的模块统一在单个模型中，推动了协作自动驾驶的发展。值得注意的是，UniV2X是首个用于车辆-基础设施协作自动驾驶（VICAD）的端到端框架；

2）本文设计了一种稀疏-密集混合传输和跨视图数据交互方法，符合端到端协作自动驾驶的有效性、传输便利性和可靠性这些先决条件；

3）本文复现了若干种协作方法作为基准，并且在DAIR-V2X和V2X-Sim上实例化UniV2X框架。实验结果突出了本文端到端范式的有效性。

论文图片和表格

总结

本文提出了UniV2X，这是一种新型的端到端框架，其将各种角度的关键任务集成到单个网络中。它采用面向规划的方法来利用原始传感器数据，同时确保协作自动驾驶的网络可解释性。此外，本文还设计了一种稀疏-密集混合数据传输策略，以利用跨视图数据并且提高整体规划性能。这种传输方法既方便通信又很可靠，符合V2X通信要求。DAIR-V2X数据集上的经验结果验证了所提出方法的有效性。

局限性和未来工作：该框架涉及多个模块和不同的智能体角度，导致复杂性较高。因此，框架内的若干个交互融合模块仍处于初步阶段。进一步的细化对于优化后续框架的内部设计是至关重要的。此外，当前的规划评估仅采用L2误差和碰撞率指标。未来，将采用更全面的评估指标来衡量规划性能。本项工作仅考虑端到端自动驾驶的开环评估。今后，将进行更多的闭环实验来评估所提出的UniV2X。