PARA-Drive：设计并行模型实现端到端自动驾驶

论文链接

https://openaccess.thecvf.com/content/CVPR2024/papers/Weng_PARA-Drive_Parallelized_Architecture_for_Real-time_Autonomous_Driving_CVPR_2024_paper.pdfhttps://openaccess.thecvf.com/content/CVPR2024/papers/Weng_PARA-Drive_Parallelized_Architecture_for_Real-time_Autonomous_Driving_CVPR_2024_paper.pdf这是NVIDIA团队的最新作品，对比之前提出的一系列端到端架构做了许多实验研究并且提出了新的改进版本，在性能和表现效果上都得到了提升

端到端架构的演进

实现实时、准确和安全的自动驾驶系统仍然是一个重大挑战。尤其是在复杂和动态的环境中，传统的单线程计算架构难以满足实时响应的需求。端到端的自动驾驶模型设计，对比之前的感知-预测-规划路线，效果提升明显，但是目前还没有实验研究过这些模块组合和排列顺序对于系统最终的性能的影响。

这里作者分析了之前提出的端到端架构之间的演进：UniAD是利用BEV作用于地图，轨迹预测，重建占用网络和决策每一个部分，有性能提升的VAD则是只用BEV训练地图和运动模块，并没有重建OCC，OccNet又做了进一步的提升，利用OCC网络来对BEV分割最终做出决策规划。这里作者发现不同的模块在不同的位置会有不同的影响，信息流携带了许多深层次的特征在这些模块之间传递。于是提出了一个大胆的想法就是让所有模块并行训练，每个只和BEV做交互，BEV作为一个传递深层特征的载体。

对比实验

为了验证模块排列的影响和模块的必要性，这里设计了一系列的消融实验，比如删除某条数据通路，或者是加上某个通路，然后作者发现通过修改模块间的依赖关系可以明显提高之前模型的鲁棒性

模型设计

通过一系列的实验，确定下来了几个必要模块，这里还考虑冗余模块类型（如占用预测与轨迹预测）是否有益，是否必须。模块的放置决定模块在堆栈中的排列，作者实验了顺序、并行或混合设计后决定了并行架构。信息流动是基于模块间传递的数据，希望传递低维度输出与高维中间特征，都做了实验探讨每种方法的潜在优势。

模型最终的并行化的设计，模块间没有依赖关系，模块之间的信息传递通过与BEV特征的交互隐式传递

系统运行时灰色部分停用即可，这个模型不仅仅提升训练效率，也提升了运行的效率

一些结论

作者强调需要标准化评估方法，以确保不同架构设计的性能评估的鲁棒性和一致性。文章使用了多个自动驾驶领域的标准数据集来评估所提出的架构性能。实验包括在不同复杂场景下的测试，以验证系统的鲁棒性和实用性。

实验结果表明，PARA-Drive架构显著提高了系统的实时性，并在保持准确性的同时，大幅降低了延迟。文章还对比了传统架构和PARA-Drive架构在不同场景下的表现，结果显示后者在各个维度上都具有明显的优势。