![]()
论文题目：On the Road to Portability: Compressing End-to-End Motion Planner for Autonomous Driving
论文链接：https://openaccess.thecvf.com/content/CVPR2024/papers/Feng_On_the_Road_to_Portability_Compressing_End-to-End_Motion_Planner_for_CVPR_2024_paper.pdf
在启用深度神经网络的端到端运动规划模型已经显示出实现全自动驾驶的巨大潜力。然而，过大的神经网络使它们在资源受限系统上部署变得不切实际，这不可避免地需要更多的计算时间和资源来进行参考。为了解决这个问题，知识蒸馏提供了一种有效的方法，通过使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迄今为止尚未得到探索。在本文中，我们提出了PlanKD，这是专为压缩端到端运动规划器而设计的第一个知识蒸馏框架。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或甚至是噪声信息，将这种信息传递给学生规划器并不利于性能。因此，我们设计了基于信息瓶颈的策略，只蒸馏与规划相关的信息，而不是不加选择地传输所有信息。其次，输出的规划轨迹中不同的航路点可能对运动规划具有不同程度的重要性，某些关键航路点的轻微偏差可能导致碰撞。因此，我们设计了一种安全感知的航路点关注蒸馏模块，根据重要性为不同的航路点分配自适应权重，鼓励学生模型准确模仿更关键的航路点，从而提高整体安全性。实验证明，我们的PlanKD能显著提升较小规划器的性能，并显著减少其参考时间。论文的贡献：
- 我们是首次尝试探索一种专门的知识蒸馏方法，用于压缩自动驾驶中的端到端运动规划器。
- 我们提出了一个通用且新颖的框架 PlanKD，使得学生规划器能够在中间层继承与规划相关的知识，并促进关键航路点的准确匹配，以提高安全性。
- 实验表明，我们的 PlanKD 能够显著提升较小规划器的性能，从而为资源有限的部署提供更具可移植性和高效性的解决方案。
本文中，我们提出了PlanKD，这是一种专为压缩端到端运动规划器而设计的知识蒸馏方法。我们提出的方法通过信息瓶颈学习与规划相关的特征，实现有效的特征蒸馏。此外，我们设计了一种安全感知的航路点关注蒸馏机制，自适应地确定每个航路点对于航路点蒸馏的重要性。大量实验验证了我们方法的有效性，展示了PlanKD作为资源有限部署的可移植且安全的解决方案的潜力。公号👇发消息“我来了”，可直接领取“10G+自动驾驶相关资料”
声明：除文内特殊声明外，本公众号内所有文章编写或转载的目的仅用于学习和交流，不予以商用，不代表本号观点及立场。本公众号内资讯及正文引用图片均由个人公众号 ADS 智库六耳基于官网或公开信息梳理或引用。本公众号所引用及转载内容版权均归原作者所有，凡是注明来源 “ XXX ADS 智库 ” 或作者为 “ XXX 六耳、XXX ADS 智库 ” 的文章转载或引用时请注明来源 ADS 智库。若有版权或其他任何问题请联系六耳（ 微信号：adas_miao ），本号将及时处理。
