一、研究背景：

現(xiàn)代自動駕駛系統(tǒng)包含多個順序執(zhí)行的任務(wù)，即感知、預(yù)測及規(guī)劃。隨著傳感器和硬件的進(jìn)步，設(shè)計一種可以執(zhí)行各種任務(wù)的智能系統(tǒng)成為一種趨勢。之前的設(shè)計方案可概括為兩類：1）為每個任務(wù)部署獨(dú)立的模型；2）組建包含多個獨(dú)立任務(wù)頭的多任務(wù)學(xué)習(xí)模型。然而，這些方法都可能會受到累積誤差以及在下游規(guī)劃上較差的遷移效果的影響。

近期，arXiv 中收錄了上海人工智能實驗室OpenDriveLab團(tuán)隊聯(lián)合武漢大學(xué)、商湯科技的一篇文章——Goal-oriented Autonomous Driving，其提出良好的自動駕駛系統(tǒng)應(yīng)該以最終任務(wù)——安全的路線規(guī)劃為導(dǎo)向。該研究對感知與預(yù)測中的關(guān)鍵組成部分進(jìn)行分析與研究，并按照一定優(yōu)先級進(jìn)行組建，以便所有的子任務(wù)都有助于規(guī)劃，并提出了統(tǒng)一自動駕駛框架 (UniAD) ，這是第一個將全棧駕駛?cè)蝿?wù)整合到一個深度神經(jīng)網(wǎng)絡(luò)中的框架，并可以發(fā)揮每個子任務(wù)以及各個模塊的優(yōu)勢，以執(zhí)行安全的規(guī)劃。

隨著深度學(xué)習(xí)的成功發(fā)展，自動駕駛算法由一系列子任務(wù)組成，包括感知中的物體檢測、多目標(biāo)跟蹤、地圖分割；預(yù)測任務(wù)中的軌跡預(yù)測和占用柵格預(yù)測。如圖1(a)所示，大多數(shù)工業(yè)解決方案是為每個任務(wù)部署獨(dú)立模型。盡管簡化了多任務(wù)模型的設(shè)計，但由于不同子任務(wù)優(yōu)化方向的不同，這樣的設(shè)計面臨著信息丟失、錯誤累積和特征未對齊的風(fēng)險。

圖1：自動駕駛算法框架的各種設(shè)計比較。(a)大多數(shù)工業(yè)解決方案是對不同的任務(wù)部署不同的模型。(b)多任務(wù)學(xué)習(xí)架構(gòu)，多個任務(wù)頭共享一個主干網(wǎng)絡(luò)（特征提取器）。(c)端到端學(xué)習(xí)范式，其聯(lián)合了感知與規(guī)劃模塊?，F(xiàn)有工作或如(c.1)采用直接從感知結(jié)果進(jìn)行規(guī)劃，或如(c.2)中采用多模塊級聯(lián)的系統(tǒng)。

除了上述工業(yè)方案，更為先進(jìn)的設(shè)計是將不同的任務(wù)整合到多任務(wù)學(xué)習(xí)(MTL)范式中，如圖1(b)所示，例如BEVerse，以及部分工業(yè)化架構(gòu)，例如Mobileye、Tesla、Nvidia等。在MTL中，多任務(wù)的協(xié)同訓(xùn)練利用同一個特征提取器，可以方便地拓展至多個子任務(wù)并節(jié)省芯片的計算。然而，這樣的方法仍未解決不同任務(wù)優(yōu)化方向不一致的問題，同時不同任務(wù)的監(jiān)督信息也未得到充分的交互，以更好作用于規(guī)劃。相比之下，端到端自動駕駛架構(gòu)（如圖1(c)所示）將感知、決策和規(guī)劃結(jié)合為一個整體。前序任務(wù)（模塊）的組合應(yīng)當(dāng)有利于最終的規(guī)劃，同時應(yīng)該盡量避免誤差累計的問題。(c.1)中采用直接從感知結(jié)果進(jìn)行規(guī)劃，(c.2)中采用模塊級聯(lián)的方式。在(c.3)中，UniAD以良好的規(guī)劃為導(dǎo)向，通過層級結(jié)構(gòu)對不同任務(wù)進(jìn)行組建以達(dá)到更好的規(guī)劃結(jié)果。

表1：UniAD 與之前方案的對比，包含了更多的任務(wù)以輔助下游規(guī)劃，包含檢測 (Detection)，跟蹤 (Tracking)，地圖生成 (Mapping)，軌跡預(yù)測 (Motion Forecasting)，占用柵格預(yù)測 (Occupancy prediction) 與規(guī)劃 (Planning)。

二、研究內(nèi)容

如圖2所示，UniAD是由四個基于Transformer解碼器的感知預(yù)測模塊以及一個規(guī)劃模塊組成。多組查詢向量 (query) 用于連接整個架構(gòu)以及學(xué)習(xí)多個智能體與周圍環(huán)境的交互。具體而言，多個環(huán)視攝像頭采集的圖像將首先通過特征提取器轉(zhuǎn)化為圖像特征，再通過 BEV（Bird’s-Eye-View，鳥瞰圖視角）編碼器將圖像特征轉(zhuǎn)化為 BEV 特征。在 TrackFormer 中，用一組跟蹤查詢向量 (Track query) 從 BEV 特征中檢測新出現(xiàn)的物體（智能體）并持續(xù)跟蹤已經(jīng)檢測到的物體。MapFormer 是通過地圖查詢向量 (Map query) 對不同類別的地圖元素進(jìn)行分割，比如車道線與人行道。MotionFormer 通過建模物體與環(huán)境之間的交互關(guān)系對每個物體的未來軌跡進(jìn)行預(yù)測。同時引入自車查詢向量 (Sdc query) 對自車的運(yùn)動進(jìn)行建模，自車查詢向量將用于后續(xù)的自車規(guī)劃中。OccFormer 用于進(jìn)行占用柵格預(yù)測，以 BEV 特征為查詢向量，物體特征為鍵 (key) 與值 (value)，對未來的 BEV 特征進(jìn)行不斷地更新，進(jìn)而解碼為占用柵格。規(guī)劃模塊 (Planner) 將自車查詢向量解碼，生成規(guī)劃路徑，并利用占用柵格預(yù)測對路徑進(jìn)行優(yōu)化，使其避免障礙物。

圖2. 統(tǒng)一的自動駕駛（UniAD）的整體框架。UniAD通過多個 Transformer 模塊將各個任務(wù)進(jìn)行層級式的結(jié)合，并對不同任務(wù)間的信息進(jìn)行了充分的交互。UniAD使用多組查詢向量對物體與地圖進(jìn)行建模，并將預(yù)測結(jié)果傳遞至規(guī)劃模塊，用于進(jìn)行安全的路徑規(guī)劃。

（1）感知：跟蹤與地圖分割

TrackFormer 可以同時進(jìn)行檢測與多目標(biāo)跟蹤，通過引入一組 Track query 去建模追蹤物體在場景中的整個生命周期（即從出現(xiàn)到完全消失）。Track query 通過與 BEV 特征進(jìn)行注意力機(jī)制運(yùn)算并通過多層感知機(jī) (MLP) 進(jìn)行解碼，最終得到跟蹤物體的邊界框與速度等屬性。MapFormer 是將 2D 全景分割的經(jīng)典方案 Panoptic Segformer 遷移至 3D 場景，并用于在線地圖分割。具體而言，用一組 Map query 表示地圖中的不同元素，比如車道線、人行道等，這些地圖元素將有利于下游任務(wù)對周圍環(huán)境信息的學(xué)習(xí)。Map query 經(jīng)過 MapFormer 的更新后，將被傳送至 MotionFormer 進(jìn)行物體與地圖元素的交互。

（2）預(yù)測：軌跡預(yù)測

MotionFormer 以信息豐富的物體特征和地圖特征為輸入，輸出場景中所有智能體在多種模態(tài)下的未來軌跡。這種范式只需要進(jìn)行一次網(wǎng)絡(luò)的前向傳播便能輸出所有智能體的未來軌跡，相較于之前以智能體為中心（agent-centric）的方法，節(jié)省了每步對坐標(biāo)空間進(jìn)行對齊的計算消耗。同時為了持續(xù)建模自車運(yùn)動信息，利用 TrackFormer 中的自車查詢向量 (Sdc query) 學(xué)習(xí)自車的未來軌跡。MotionFormer 由多層交叉注意力 (cross-attention) 模塊組成，以達(dá)到不斷精細(xì)化的目的。每層模塊包含三次不同的注意力計算以建模不同類型的交互，分別是智能體-智能體，智能體-地圖，智能體-軌跡目標(biāo)，具體交互表示如下：

其中 MHCA、MHSA 與 DeformAttn 分別表示多頭交叉注意力，多頭自注意力與可變形注意力。交互結(jié)束后得到的軌跡查詢向量 (Motion query) 將繼續(xù)傳遞給占用柵格預(yù)測與規(guī)劃模塊。

圖3. MotionFormer。它由N個堆疊的交互模塊組成，每個模塊內(nèi)會進(jìn)行agent-agent，agent-map 和 agent-goal point（軌跡終點(diǎn)）的關(guān)系建模。agent-agent 和 agent-map 交互模塊使用標(biāo)準(zhǔn)的Transformer解碼器層，agent-goal交互模塊構(gòu)是建在可變形的交叉注意力模塊上。

（3）預(yù)測：占用柵格預(yù)測

占用柵格圖是一種離散化的BEV 表示形式，其中每個格子代表的值代表當(dāng)前位置是否被物體占用。占用柵格預(yù)測任務(wù)是指預(yù)測未來多步的占用柵格圖，即未來 BEV 的占用情況。之前的方法通常會利用卷積神經(jīng)網(wǎng)絡(luò) (CNN) 與遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 逐步預(yù)測未來多步 BEV 特征圖并解碼，但是卻忽略了場景中物體的運(yùn)動信息，這些信息與未來場景的占用柵格有很強(qiáng)的關(guān)聯(lián)。為了引入稀疏的物體運(yùn)動信息，本文在 OccFormer 中利用注意力機(jī)制，將場景中密集的各柵格表示為查詢向量 (query)，將物體特征表示為鍵 (key) 與值 (value)。通過多層 Transformer 的解碼器，查詢向量將多次更新，用于表示未來時序的 BEV 特征圖。為了更好地對齊物體與各柵格的位置關(guān)系，本文引入了一個基于占用柵格的注意力掩碼，該掩碼使得注意力計算只在位置對應(yīng)的柵格-物體特征之間進(jìn)行。查詢向量的更新過程如下：

（4）自車規(guī)劃

為了規(guī)劃自車未來的運(yùn)動軌跡，將 MotionFormer 更新后的自車查詢向量 (Sdc query) 與 BEV 特征進(jìn)行注意力機(jī)制交互，讓 Sdc query 感知整個 BEV 環(huán)境，隱式地學(xué)習(xí)周圍環(huán)境與其他智能體。為了更顯式地避免與周圍車的碰撞，作者利用占用柵格預(yù)測模塊的輸出對自車路徑進(jìn)行優(yōu)化，避免未來可能有物體占用的區(qū)域。

三、實驗結(jié)果

1. 各模塊實驗結(jié)果

感知結(jié)果



預(yù)測結(jié)果



規(guī)劃結(jié)果

與 ST-P3 相比，UniAD 將規(guī)劃L2誤差和碰撞率分別降低了51.2%和56.3%，并優(yōu)于其它基于 LiDAR 輸入的方案。

2. 消融研究

為了驗證以目標(biāo)為導(dǎo)向的設(shè)計理念是否真正發(fā)揮作用，本文對感知及預(yù)測中的各個模塊進(jìn)行了廣泛的消融研究，如表7所示，以證明前序模塊的有效性和必要性。 表7：感知及預(yù)測中的各個模塊對下游任務(wù)的幫助。

3. 可視化

圖7：在市區(qū)駕駛的可視化表示。UniAD 可以生成高質(zhì)量的感知和預(yù)測結(jié)果，并進(jìn)行安全的路徑規(guī)劃。前三列顯示六個攝像機(jī)的視角，最后兩列分別是 BEV 預(yù)測結(jié)果和來自規(guī)劃模塊的注意力掩碼。每個智能體都用單獨(dú)的顏色表示。

圖8：關(guān)鍵案例可視化。第一個場景（上圖）顯示自車正在讓兩個過馬路的行人，第二個場景（下圖）顯示自車正在讓側(cè)方一輛快速行駛的汽車。從最右圖可以觀察到規(guī)劃模塊對最關(guān)鍵的智能體給予更多的關(guān)注度。

圖9：避障可視化。在這兩種情況下，自車正在進(jìn)行變道以避開障礙物車輛。從最右注意力掩碼中，可以觀察到UniAD可以關(guān)注障礙物以及前后的道路

四、總結(jié)

UniAD 設(shè)計是以安全的路徑規(guī)劃為導(dǎo)向，對多個必需的自動駕駛?cè)蝿?wù)進(jìn)行層級化設(shè)計，以多組查詢向量 (query) 對物體與環(huán)境之間的多種交互進(jìn)行建模。通過大量實驗驗證了模型設(shè)計的有效性，并相對之前的方案取得了更好的性能。UniAD 是一種統(tǒng)一的自動駕駛算法框架，可以以高精度執(zhí)行包含跟蹤、地圖生成、軌跡預(yù)測、占用預(yù)測與規(guī)劃任務(wù)，是首個全面探索自動駕駛系統(tǒng)各模塊必要性的工作，作者通過進(jìn)行廣泛的消融和實驗，驗證了 UniAD 在各感知預(yù)測任務(wù)對最終規(guī)劃的幫助。

審核編輯：劉清