EgoFSD：具有不确定性去噪和迭代细化的以自我为中心的全稀疏范式用于高效端到端自动驾驶
计算机视觉与模式识别
2026-02-10 v6 机器人学
摘要
当前的端到端自动驾驶（E2E-AD）方法采用统一模块化设计来处理各种任务（例如感知、预测和规划）。尽管通过以规划为导向的全可微框架进行了优化，但现有的缺乏以自我为中心设计的端到端驾驶系统，由于光栅化场景表示学习和冗余信息传输，仍然存在性能不佳和效率低下的问题。在本文中，我们提出了一种以自我为中心的全稀疏范式，名为EgoFSD，用于端到端自动驾驶。具体来说，EgoFSD由稀疏感知、层次化交互和迭代运动规划器组成。稀疏感知模块基于驾驶场景的稀疏表示执行检测和在线建图。层次化交互模块旨在从粗到细地选择最近路径内车辆/静止物体（CIPV / CIPS），这得益于额外的几何先验。至于迭代运动规划器，则同时考虑选定的交互智能体和自我车辆进行联合运动预测，其中输出的多模态自我轨迹以迭代方式进行优化。此外，引入了位置级运动扩散和轨迹级规划去噪用于不确定性建模，从而增强了训练稳定性和收敛速度。在nuScenes和Bench2Drive数据集上进行了大量实验，与UniAD相比，平均L2误差显著降低了59%，碰撞率降低了92%，同时运行效率提高了6.9倍。
引用
@article{arxiv.2409.09777,
title = {EgoFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving},
author = {Haisheng Su and Wei Wu and Zhenjie Yang and Isabel Guan},
journal= {arXiv preprint arXiv:2409.09777},
year = {2026}
}
备注
Accepted to ICRA2026