论文链接：https://arxiv.org/pdf/2402.13243
一、方法
从大规模驾驶示范中学习类似人类的驾驶策略是有前途的，但规划的不确定性和非确定性使其充满挑战。在这项工作中，为了解决不确定性问题，我们提出了基于概率规划的端到端驾驶模型VADv2。VADv2以流式方式接收多视角图像序列作为输入，将传感器数据转换为环境标记嵌入，输出动作的概率分布，并采样一个动作来控制车辆。仅使用摄像头传感器，VADv2在CARLA Town05基准测试中实现了最先进的闭环性能，显著超越了所有现有方法。它在完全端到端的方式下稳定运行，即使没有基于规则的封装。
本研究的主要贡献如下：
我们提出了概率规划来应对规划的不确定性。我们设计了一个概率场，将动作空间映射到概率分布，并从大规模驾驶示范中学习动作的分布。
基于概率规划，我们提出了VADv2，这是一种端到端的驾驶模型，它将传感器数据转换为环境标记嵌入，输出动作的概率分布，并采样一个动作来控制车辆。
在CARLA模拟器中，VADv2在Town05基准测试中实现了最先进的闭环性能。闭环演示表明它在端到端的方式下稳定运行。
二、实验
这里展示部分结果，更多结果请参考论文。
三、总结
在这项工作中，我们提出了基于概率规划的端到端驾驶模型VADv2。在CARLA模拟器中，VADv2表现稳定，并实现了最先进的闭环性能。这种概率范式的可行性得到了初步验证。然而，其在更复杂的现实世界场景中的有效性仍未探索，这是我们未来的工作方向。
