InVDriver：基于向量查询的面向实例感知的自主驾驶Transformer
机器人学
2025-02-26 v1 计算机视觉与模式识别
摘要
端到端自主驾驶凭借其整体优化能力，正在获得学术界和工业界的日益关注。向量表示在保持实例级拓扑信息的同时降低了计算开销，已成为一种有前景的范例。虽然现有的向量查询框架常常忽略实例点之间固有的空间相关性，导致几何不一致的输出(如碎片化的HD图元素或振荡轨迹)。为此，我们提出InVDriver，一种系统地通过掩码自注意力层建模实例内空间依赖性的新型向量查询系统，从而提高规划精度和轨迹平滑度。在所有核心模块(感知、预测和规划)中，InVDriver包含掩码自注意力机制，限制注意力仅限于实例内点相互作用，使结构元素的协调 refinement 同时抑制无关的实例间噪声。在nuScenes基准测试中，实验结果表明InVDriver实现了最先进的性能，在准确率和安全性方面均优于先前方法，同时保持高计算效率。我们的工作验证了对实例几何一致性的显式建模对于推进向量化自主驾驶系统至关重要，弥合了端到端框架理论优势与实际部署要求之间的鸿沟。
引用
@article{arxiv.2502.17949,
title = {InVDriver: Intra-Instance Aware Vectorized Query-Based Autonomous Driving Transformer},
author = {Bo Zhang and Heye Huang and Chunyang Liu and Yaqin Zhang and Zhenhua Xu},
journal= {arXiv preprint arXiv:2502.17949},
year = {2025}
}
备注
Submitted to JICV (Journal of Intelligent and Connected Vehicles)