4 个月前

轨迹引导的端到端自动驾驶控制预测: 一种简单而强大的基线方法

轨迹引导的端到端自动驾驶控制预测:
一种简单而强大的基线方法

摘要

当前的端到端自动驾驶方法要么基于规划的轨迹运行控制器,要么直接进行控制预测,这两种方法已经形成了两条独立的研究路线。鉴于它们之间潜在的相互优势,本文率先探索了这两条成熟研究领域的结合。具体而言,我们的集成方法包括两个分支,分别用于轨迹规划和直接控制。轨迹分支负责预测未来的轨迹,而控制分支则引入了一种新颖的多步预测方案,使得可以推理当前动作与未来状态之间的关系。这两个分支通过连接实现互动,即在每个时间步骤中,控制分支都能从轨迹分支获得相应的指导。最后,两个分支的输出被融合在一起,以实现互补优势。我们在CARLA模拟器中对复杂场景下的闭环城市驾驶环境进行了评估。即使仅使用单目相机输入,所提出的这种方法也在官方CARLA排行榜上排名第一,大幅超越了其他使用多种传感器或融合机制的复杂候选方案。源代码已公开发布在 https://github.com/OpenPerceptionX/TCP 上。

代码仓库

OpenPerceptionX/TCP
官方
GitHub 中提及

基准测试

基准方法指标
autonomous-driving-on-carla-leaderboardTCP
Driving Score: 75.14
Infraction penalty: 0.87
Route Completion: 85.63
autonomous-driving-on-carla-leaderboardTCP (Reproduced)
Driving Score: 47.91
Infraction penalty: 0.77
Route Completion: 65.73
bench2drive-on-bench2driveTCP-traj
Driving Score: 59.90
bench2drive-on-bench2driveTCP
Driving Score: 40.70
bench2drive-on-bench2driveTCP-ctrl
Driving Score: 30.47
bench2drive-on-bench2driveTCP-traj w/o distillation
Driving Score: 49.30
carla-longest6-on-carlaTrajectory-guided Control Prediction (TCP)
Driving Score: 48
Infraction Score: 0.65
Route Completion: 72

用 AI 构建 AI

从想法到上线——通过免费 AI 协同编程、开箱即用的环境和市场最优价格的 GPU 加速您的 AI 开发

AI 协同编程
即用型 GPU
最优价格
立即开始

Hyper Newsletters

订阅我们的最新资讯
我们会在北京时间 每周一的上午九点 向您的邮箱投递本周内的最新更新
邮件发送服务由 MailChimp 提供
轨迹引导的端到端自动驾驶控制预测: 一种简单而强大的基线方法 | 论文 | HyperAI超神经