文丨李安琪

編輯丨李勤

(資料圖片)

與自動駕駛相關文章，首次獲得全球頂級計算機視覺會議CVPR的最佳論文。

6月22日，全球頂級計算機視覺會議CVPR 2023公布了最佳論文等獎項。一篇名為《Planning-oriented Autonomous Driving》（以路徑規劃為導向的自動駕駛）論文，成功從9155篇投稿、2359篇接收論文、12篇入選最佳論文候選名單中脫穎而出。

這也是近十年來，CVPR會議上第一篇以中國學術機構作為第一單位的最佳論文。該論文由上海人工智能實驗室、武漢大學及商湯科技聯合完成。

CVPR在學術界及產業界的影響力毋庸置疑，與ICCV、ECCV并列為計算機視覺領域三大頂級會議。全球最聰明的頭腦匯聚于此，特斯拉也連續幾年在CVPR上公布其自動駕駛技術最新進展。

今年的競爭相當激烈。據公開信息，今年12篇入選最佳論文候選名單機構，不僅有谷歌、Stability AI等人工智能領域頂尖企業，也有上海人工智能實驗室、斯坦福大學、康奈爾大學、香港中文大學、香港科技大學、南洋理工大學等研究機構及高校。

而上海人工智能實驗室、武漢大學及商湯科技聯合獲獎的關鍵在于，提出了一個感知決策一體化的自動駕駛通用大模型UniAD。

大會官方組委會認為，論文提出的端到端感知決策一體框架，融合了多任務聯合學習的新范式，使得進行更有效的信息交換，協調感知預測決策，以進一步提升路徑規劃能力。

這證明了大模型與自動駕駛產業結合的潛力。今年初，ChatGPT的爆火，讓機器學習與理解人類語言的能力有了本質飛躍。而大模型，也有望為自動駕駛產業落地指出更清晰的方向。

端到端的自動駕駛大模型UniAD

論文指出，隨著深度學習發展，自動駕駛算法被組裝成一系列任務，包括目標檢測與跟蹤、在線建圖、軌跡預測、占據柵格預測等子任務。

基于這些子任務，行業有著多種自動駕駛系統框架設計：模塊化設計，多任務框架，但兩種方案都面臨著累積錯誤或任務協調不足的困擾。

比如自動駕駛公司Waymo、Cruise采用的模塊化設計方案，每個獨立的模塊負責單獨的子任務。這種方案具備簡化研發團隊分工，便于問題回溯，易于調試迭代等優點。但由于將不同任務解耦，各個模塊相對于最終的駕駛規劃目標存在信息損失問題，且多個模塊間優化目標不一致，誤差會在模塊間傳遞。

論文認為，多任務框架是更優雅的一種設計方案，代表性企業有美國特斯拉、中國小鵬汽車等。方案中不同任務使用同一個特征提取器，具備便于任務拓展、節省計算資源等優點。但不同任務之間仍存在預測不一致、表征沖突的問題。

a為模塊化設計、b為多任務框架、c1/c2為兩種端到端方案、c3為UniAD方案示意 圖源論文

相比之下，端到端自動駕駛方案將感知、預測和規劃所有節點視為一個整體，但現有的兩種端到端方案也還面臨挑戰。

一種簡單的方式直接以傳感器信號作為輸入、以軌跡/控制作為輸出，能夠在仿真中取得較好結果，但缺乏可解釋性與實際應用安全性，尤其是在復雜的城市道路場景。

另一種方案是，對模型進行顯式設計，將整個架構分為感知-預測-規劃模塊，使其具有部分中間結果表達。但這種方式面臨檢測結果在模塊間不可微導致無法端到端優化，稠密BEV預測時長有限，過去-未來、物體-場景等多維度信息難以高效利用等困難。

因此，本篇論文提出了一個端到端方案Unified Autonomous Driving，即UniAD。上海人工智能實驗室指出，UniAD能夠成功解決不同任務融合難的問題，從而實現多任務和高性能的關鍵在于以下兩點。

一是多組查詢向量的全Transformer 模型：UniAD利用多組 query 實現了全棧 Transformer 的端到端模型，可以從具體 Transformer 的輸入輸出感受到信息融合。二是以最終“規劃”為目標，全部模塊通過輸出特定的特征來幫助實現最終的目標“規劃”。

自動駕駛端到端架構 (UniAD) 的流程 圖源論文

從論文來看，UniAD 將感知、預測、規劃等三大類主任務、六小類子任務（目標檢測、目標跟蹤、場景建圖、軌跡預測、柵格預測和路徑規劃）整合到統一的端到端網絡框架下。

具體來說，將一系列多攝像頭圖像輸入特征提取器，并通過 BEVFormer 轉換為統一的鳥瞰圖（BEV）。這部分可以快速替換為其他BEV模型，具有較好可拓展性。

在感知環節中，UniAD的目標檢測與跟蹤模塊可以實現對動態元素的特征提取、幀間物體跟蹤；在線建圖模塊實現了對靜態物體的特征提取、實例級地圖預測；

在預測模塊，UniAD可以實現動靜態元素交互與長時序軌跡預測；占據柵格預測模塊實現了短時序全場景BEV、實例級預測；

在規劃模塊，UniAD實現基于自車query的軌跡預測和基于占據柵格的碰撞優化。

論文表示，UniAD 的培訓分兩個階段：首先聯合訓練感知部分，即目標跟蹤和建圖模塊，這將持續幾個階段（在實驗中為 6個階段），然后使用所有感知、預測和規劃模塊端到端地訓練模型20個階段。

從結果來看，論文表示，在 nuScenes 真實場景數據集下，所有任務均達到領域最佳性能（State-of-the-art），尤其是預測和規劃效果遠超之前最好方案。其中，多目標跟蹤準確率超越SOTA 20%，車道線預測準確率提升30%，預測運動位移和規劃的誤差則分別降低了38%和28%。

在晴天直行場景中，UniAD 可以感知左前方等待的黑色車輛，預測其未來軌跡（即將左轉駛入自車的車道），并立即減速以進行避讓，待黑車駛離后再恢復正常速度直行 圖源上海人工智能實驗室

在雨天轉彎場景中，即便面對視野干擾較大且場景復雜的十字路口，UniAD 能通過分割模塊生成十字路口的整體道路結構（如右側 BEV圖中的綠色分割結果所示），并完成大幅度的左轉 圖源上海人工智能實驗室

從論文到產業還要多久？

當然，從前瞻學術論文到產業跟進、技術大規模惠普，所需要的時間并不短。

以當下被行業火熱討論的BEV為例。2021年特斯拉首次基于Transformer將攝像頭2D圖像拼接轉化成3D圖景，生成鳥瞰圖 “Bird"s Eye View”，簡稱“BEV”。這是大模型在自動駕駛感知環節的應用。

兩年時間過去，當下國內企業雖已紛紛跟進，但僅有少數幾家能拿出先期成果。

而UniAD大模型是更為龐大的、涉及感知、預測、規劃的復雜系統工程，其中的技術優化與工程化落地只會比BEV更艱難。

論文本身也指出，協調這樣一個具有多個任務的綜合系統并非易事，需要大量的計算能力，尤其是經過時間歷史訓練的計算能力。如何為輕量級部署設計和管理系統值得未來探索。

論文作者之一、上海人工智能實驗室青年科學家李弘揚博士表示，UniAD提供了全套關鍵自動駕駛任務配置，其充分的可解釋性、安全性、與多模塊的可持續迭代性，是目前為止最具希望實際部署的端到端模型。這套基于視覺的全棧自動駕駛框架，據初步測算，每年節省激光雷達與標注成本可達千萬級。

部分玩家已經在行動。據36氪了解，小鵬和理想汽車都在籌備研發全棧端到端自動駕駛方案。“目前效果還不太好，但潛力很大。”有內部人士透露。

總而言之，新的技術的種子已經播下，行業新一輪競賽也可能已經開始。接下來，就看誰能給出更肥沃的土壤與更恒久的耐心。

文章參考：

1.《Planning-oriented Autonomous Driving》

2.《AIR學術｜上海人工智能實驗室李弘揚、陳立：端到端自動駕駛算法設計思考》

3.《上海AI實驗室聯合團隊獲CVPR最佳論文獎 | CVPR 2023》

關鍵詞：