迈向可移植之路：压缩自动驾驶端到端运动规划器

配备深度神经网络的端到端运动规划模型在实现完全自动驾驶方面显示出巨大潜力。然而，过大的神经网络使其难以部署在资源受限的系统上，在推理过程中不可避免地需要更多的计算时间和资源。为了解决这个问题，知识蒸馏提供了一种有前景的方法，通过让较小的学生模型从较大的教师模型中学习来压缩模型。然而，如何应用知识蒸馏来压缩运动规划器至今尚未被探索。在本文中，我们提出了PlanKD，这是第一个专门为压缩端到端运动规划器量身定制的知识蒸馏框架。首先，考虑到驾驶场景本质上是复杂的，通常包含与规划无关甚至噪声信息，传递这些信息对学生规划器没有益处。因此，我们设计了一种基于信息瓶颈的策略，仅蒸馏与规划相关的信息，而不是不加区分地传递所有信息。其次，输出规划轨迹中的不同路径点可能对运动规划具有不同的重要性，某些关键路径点的微小偏差可能导致碰撞。因此，我们设计了一个安全感知的路径点注意力蒸馏模块，根据重要性为不同路径点分配自适应权重，以鼓励学生准确模仿更关键的路径点，从而提高整体安全性。实验表明，我们的PlanKD可以大幅提升较小规划器的性能，并显著减少其推理时间。