VAD：面向高效自动驾驶的矢量化场景表示
机器人学
2023-08-25 v3 计算机视觉与模式识别
摘要
自动驾驶需要对周围环境有全面理解以实现可靠的轨迹规划。以往工作依赖稠密栅格化场景表示（例如智能体占据图和语义地图）来进行规划，这种方式计算密集且丢失了实例级结构信息。本文中，我们提出 VAD，一种用于自动驾驶的端到端矢量化范式，将驾驶场景建模为完全矢量化的表示。所提出的矢量化范式有两个显著优势。一方面，VAD 利用矢量化的智能体运动和地图元素作为显式实例级规划约束，有效提升了规划安全性。另一方面，VAD 通过摒弃计算密集的栅格化表示和手工设计的后处理步骤，比以往端到端规划方法运行快得多。VAD 在 nuScenes 数据集上取得了最先进的端到端规划性能，大幅优于先前最佳方法。我们的基础模型 VAD-Base 将平均碰撞率显著降低 29.0%，且运行速度提升 2.5 倍。此外，轻量变体 VAD-Tiny 在取得相当规划性能的同时极大提升了推理速度（高达 9.3 倍）。我们相信 VAD 的优异性能和高效性对于自动驾驶系统的实际部署至关重要。代码和模型可在 https://github.com/hustvl/VAD 获取，以促进未来研究。
引用
@article{arxiv.2303.12077,
title = {VAD: Vectorized Scene Representation for Efficient Autonomous Driving},
author = {Bo Jiang and Shaoyu Chen and Qing Xu and Bencheng Liao and Jiajie Chen and Helong Zhou and Qian Zhang and Wenyu Liu and Chang Huang and Xinggang Wang},
journal= {arXiv preprint arXiv:2303.12077},
year = {2023}
}
备注
Accepted to ICCV 2023. Code&Demos: https://github.com/hustvl/VAD