主要观点总结
本文主要介绍了一种以高斯为中心的端到端自动驾驶框架（GaussianAD）。该框架采用3D语义高斯作为场景表示，通过稀疏卷积和稀疏预测头高效处理3D场景。文章提出了高斯流预测周围场景演变，包括动态和静态元素。在nuScenes数据集上的实验验证了GaussianAD在端到端运动规划方面的有效性。
关键观点总结
关键观点1: GaussianAD框架的特点
采用3D语义高斯作为场景表示，结合稀疏卷积和稀疏预测头进行高效处理；通过高斯流预测周围场景的演变。
关键观点2: GaussianAD的有效性
在nuScenes数据集上进行了大量实验，验证了GaussianAD在端到端运动规划方面的有效性，实现了最先进的结果。
关键观点3: 论文内容组织
文章首先介绍了GaussianAD的背景和动机，然后详细描述了框架的组成部分，包括3D高斯场景表示、高斯流预测等。最后，在nuScenes数据集上的实验结果证明了该框架的竞争力。
关键观点4: 局限性
GaussianAD无法预测准确的场景演变，因为它没有考虑新观测到的区域。
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/2412.10371 项目主页：https://wzzheng.net/GaussianAD 摘要 本文介绍了GaussianAD：以高斯为中心的端到端自动驾驶。基于视觉的自动驾驶因其令人满意的性能和低成本而展现出巨大的潜力。大多数现有的方法采用稠密表示（例如鸟瞰图）或者稀疏表示（例如实例框）来实现决策，这会在全面性和效率之间进行权衡。本文探索了一种以高斯为中心的端到端自动驾驶（GaussianAD）框架，并且利用3D语义高斯来广泛而稀疏地描述场景。本文使用均匀3D高斯来初始化场景，并且使用环视图像逐步细化它们以获取3D高斯场景表示。然后，使用稀疏卷积来高效地执行3D感知（例如，3D检测、语义地图构建）。本文使用动态语义来预测高斯的3D流，并且相应地规划自车轨迹以预
………………………………
