
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-leaderboard | TCP | Driving Score: 75.14 Infraction penalty: 0.87 Route Completion: 85.63 |
| autonomous-driving-on-carla-leaderboard | TCP (Reproduced) | Driving Score: 47.91 Infraction penalty: 0.77 Route Completion: 65.73 |
| bench2drive-on-bench2drive | TCP-traj | Driving Score: 59.90 |
| bench2drive-on-bench2drive | TCP | Driving Score: 40.70 |
| bench2drive-on-bench2drive | TCP-ctrl | Driving Score: 30.47 |
| bench2drive-on-bench2drive | TCP-traj w/o distillation | Driving Score: 49.30 |
| carla-longest6-on-carla | Trajectory-guided Control Prediction (TCP) | Driving Score: 48 Infraction Score: 0.65 Route Completion: 72 |