主要观点总结
文章介绍了无成本模块化和3D人工标注的端到端自动驾驶，提出了一种基于视觉的端到端自动驾驶（E2EAD）方法UAD。UAD解决了现有E2EAD模型的缺陷，包括需要大量高质量3D标注作为监督的问题和计算开销大的问题。文章主要贡献包括提出了一种无监督的前置任务，引入了一种新的自监督方向感知的学习策略，并在开环和闭环评估中展现出优势。
关键观点总结
关键观点1: 介绍UAD框架
文章提出了一种基于视觉的端到端自动驾驶方法UAD，旨在解决现有E2EAD模型的缺陷。UAD框架是一种无监督的E2EAD框架，可以解决需要大量高质量3D标注和计算开销大的问题。
关键观点2: 无监督的前置任务
文章提出了一种无监督的前置任务，通过预测逐角度的目标和未来动态变化来感知环境，放弃了对3D人工标注的需求，使数据扩充变得更为可行。
关键观点3: 自监督方向感知的学习策略
为了提高在转弯场景中的规划鲁棒性，文章引入了自监督方向感知的训练策略，该策略在不同增强视图下学习预测轨迹的一致性。
关键观点4: 实验验证
实验证明了UAD框架的有效性和高效性，在nuScenes和CARLA上的结果表明，UAD在性能上优于其他基于视觉的E2EAD方法。
关键观点5: 自动驾驶领域的贡献
文章的贡献在于提出了一种新的端到端自动驾驶方法，解决了数据标注和计算开销的问题，为自动驾驶领域的发展提供了新的思路和方法。
文章预览
点击下方 卡片 ，关注“ 自动驾驶专栏 ”公众号 自动驾驶干货 ，即可获取 论文链接： https://arxiv.org/pdf/2406.17680 代码和模型链接：https://github.com/KargoBot_Research/UAD 摘要 本文介绍了无成本模块化和3D人工标注的端到端自动驾驶 。本文提出了UAD，这是一种基于视觉的端到端自动驾驶（E2EAD）方法，其在nuScenes上实现了最佳的开环评估性能，同时在CARLA中展现了鲁棒的闭环驾驶质量。本文观察到，当前的E2EAD模型仍然模仿典型驾驶栈中的模块化架构，其具有精心设计的监督感知和预测子任务，为规划提供环境信息。尽管已经取得了突破性进展，但是这种设计有一定的缺陷：1）先前的子任务需要大量的高质量3D标注作为监督，这对扩展训练数据构成了巨大障碍；2）每个子模块在训练和推理过程中都需要大量的计算开销。为此，本文提出了UAD，这是一种非监
………………………………
