重新思考 nuScenes 中端到端自动驾驶的开环评估
计算机视觉与模式识别
2023-10-24 v2
摘要
现代自动驾驶系统通常分为三个主要任务：感知、预测和规划。规划任务涉及基于内部意图和外部环境输入预测自车轨迹，并相应地操控车辆。大多数现有工作在 nuScenes 数据集上使用预测轨迹与真实轨迹之间的 L2 误差和碰撞率来评估其性能。在本文中，我们重新评估这些现有评估指标，并探究它们是否准确衡量了不同方法的优越性。具体而言，我们设计了一个基于 MLP 的方法，其将原始传感器数据（如历史轨迹、速度等）作为输入，直接输出自车未来轨迹，而不使用任何感知或预测信息（如相机图像或 LiDAR）。我们的简单方法在 nuScenes 数据集上取得了与其他基于感知的方法相似的端到端规划性能，将平均 L2 误差降低了约 20%。同时，基于感知的方法在碰撞率方面具有优势。我们进一步进行深度分析，并就 nuScenes 数据集上规划任务成功的关键因素提供新的见解。我们的观察还表明，我们需要重新思考 nuScenes 中端到端自动驾驶当前的开环评估方案。代码可在 https://github.com/E2E-AD/AD-MLP 获取。
引用
@article{arxiv.2305.10430,
title = {Rethinking the Open-Loop Evaluation of End-to-End Autonomous Driving in nuScenes},
author = {Jiang-Tian Zhai and Ze Feng and Jinhao Du and Yongqiang Mao and Jiang-Jiang Liu and Zichang Tan and Yifu Zhang and Xiaoqing Ye and Jingdong Wang},
journal= {arXiv preprint arXiv:2305.10430},
year = {2023}
}
备注
Technical report. Code is available