SparseDrive---论文阅读

纯视觉下的稀疏场景表示

算法动机&开创性思路

算法动机：

1. 依赖于计算成本高昂的鸟瞰图（BEV）特征表示。
2. 预测和规划的设计过于直接，没有充分利用周围代理和自我车辆之间的高阶和双向交互。
3. 场景信息是在agent周围提取，没有考虑到自我车辆对周围代理的影响，忽略了自我车辆在运动预测和规划中的作用。
4. 运动预测和规划都被视为多模态问题，但现有方法只预测确定性的轨迹，没有考虑到内在的不确定性。

开创性思路：为了解决以上问题，

        1.通过稀疏场景表示和重新设计的预测与规划任务，提高了自动驾驶系统的性能和效率，特别是在规划安全性方面。
        2.SparseDrive包含对称的稀疏感知模块和并行运动规划器，通过有效的设计，实现了在所有任务中的性能提升，同时保持了更高的训练和推理效率。
        3.修改了运动预测和规划之间的巨大相似性，串级模块，提出了一种分层规划选择策略

主体结构

输入：6图感知，输出：自车规划模块以及其他Agent规划模块

+---------------------+
|      SparseDrive    |
+---------------------&