欢迎关注微信公众号“机器人EmbodiedAI”
论文题目：Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving?
论文链接：https://openaccess.thecvf.com/content/CVPR2024/papers/Li_Is_Ego_Status_All_You_Need_for_Open-Loop_End-to-End_Autonomous_CVPR_2024_paper.pdf
一、方法
近年来，端到端自动驾驶技术作为一个从整体技术堆栈角度来实现自主性的研究方向，已经展现出很大的潜力。沿着这一方向，许多最新的研究作品采用了nuScenes数据集上的开环评估设置，来研究规划行为。本文深入探讨了这一问题，通过进行彻底的分析，揭示了更多细节中的问题。我们最初观察到，nuScenes数据集以相对简单的驾驶场景为特点，导致端到端模型在集成自我状态（如自车速度）时未充分利用感知信息。这些模型往往主要依赖自车的状态进行未来路径规划。除了数据集的限制外，我们还注意到当前的评估指标并不能全面评估规划质量，可能会导致对现有基准的结论存在偏见。为了解决这一问题，我们引入了一个新的度量标准，以评估预测轨迹是否符合道路。我们进一步提出了一个简单的基准方法，能够在不依赖感知标注的情况下实现竞争性的结果。考虑到当前基准和评估指标的限制，我们建议学术界重新评估相关的前沿研究，并谨慎地判断持续追求最新技术是否能产生令人信服和普遍适用的结论。代码和模型可在 https://github.com/NVlabs/BEV-Planner 获取。
二、实验
这里展示部分结果，更多结果请参考论文。
三、总结
在这篇论文中，我们深入分析了当前开环端到端自动驾驶方法中存在的缺陷。我们的目标是提出结果，促进端到端自动驾驶技术的持续发展。
我们的结论总结如下：
基于nuScenes数据集的现有开环自动驾驶模型的规划性能受到自我状态（速度、加速度、偏航角）的极大影响。涉及自我状态时，模型最终预测的轨迹基本上受其主导，导致感知信息的利用减少。 现有的规划评估指标未能充分捕捉模型的真实性能。模型在不同评估指标下的结果可能会有显著差异。我们主张采用更多样化和全面的评估指标，以防止模型在特定指标上达到局部最优，可能导致忽视其他安全隐患。 相较于在现有nuScenes数据集上推动最新技术的性能，我们认为开发更合适的数据集和评估指标是更为关键和紧迫的挑战。
局限性：不同规划指标之间存在权衡。设计一个集成的开环评估系统面临重大挑战。尽管我们的基准方法在L2距离和碰撞率方面表现出色，但其在CCR（碰撞回避率）方面表现并不出众，主要因为我们的方法没有利用任何感知标注，如高清地图。
