兩種端到端的自動駕駛系統算法架構

自動駕駛中的AI大模型如今已越來越火，其設計實際上主要集中在數據生成和場景分析表述兩部分，最終目標是想針對自動駕駛的原始感知直接生成車端控制指令。為了要實現這一目的，業界已經做了很多嘗試和努力，先探索可行性，最后再重點解決自動駕駛的長尾分布問題和場景識別。

自動駕駛控制器設計通常有兩種范式：局部感知方法和端到端學習方法。感知方法依賴于識別人類指定的特征，例如車輛、車道標記等，需要嚴格的參數調整才能達到滿意的性能。相比之下，端到端方法直接將來自傳感器的原始數據作為輸入來生成規劃路線或控制信號。

將此類自動控制系統部署到實際車輛中的關鍵挑戰之一是自動駕駛汽車決策控制策略往往過于復雜，且難以讓普通駕駛員理解，因為對于普通乘客來說，此類車輛的安全性及其可控性是重中之重。

本文將重點集中典型的應用在自動駕駛中的兩種GPT算法，且就這些算法在實際應用中的優缺點進行詳細分析。

ADAPT：通過標注可解釋性動作的端到端Transformer預測架構

理想的自動駕駛系統解決方案是包含自然語言敘述指導自主控制模塊的整個規劃決策執行過程，且這種決策過程必須是易于駕駛員理解。此外，對每個控制/動作決策的附加推理解釋可以幫助用戶了解車輛和周圍環境的當前狀態，作為自動駕駛車輛所采取動作的支持證據。其實這就是一種通過對智能汽車行為生成可解釋性的推理來完成對應的駕駛控制決策。通過自然語言描述和推理來解釋智能汽車的控制行為，可以使得整個自動駕駛系統更加透明，更容易理解。

例如，［動作敘述：］汽車停在路的右側，［推理：］因為汽車正在停車”，如圖1所示。

圖1. 自動駕駛車輛的不同解釋方法，包括注意力圖、成本量和自然語言

盡管注意力圖或成本量很有效，但基于語言的解釋對普通乘客來說更加用戶友好。為此，本文首先介紹一個基于駕駛行為的Transformer預測架構，為乘客提供用戶友好的自然語言敘述和自動駕駛車輛的推理。為了消除預測任務和車輛控制信號之間的差異，算法通過共享視頻表示聯合訓練駕駛字幕任務和車輛控制預測任務。通過合并文本生成頭，可以將這種多任務框架構建在各種端到端自動駕駛系統上。

1、對于視頻字幕標注的研究

本文提到的相關算法是利用視頻字幕所表示的自然語言來描述視頻的車輛目標決策控制，實際上，早期已有相應的研究來進行車輛動作決策。

首先，通過在固定模板中填充識別的元素來生成具有特定句法結構的句子，這些模板不靈活且缺乏豐富性。后面也有利用序列學習方法來生成具有靈活句法結構的自然句子。具體來說，這些方法采用視頻編碼器來提取幀特征，并使用語言解碼器來學習用于字幕生成的視覺文本對齊。為了利用細粒度的對象和動作來豐富字幕，利用對象級表示來捕獲視頻中詳細對象感知交互特征，進一步開發了一種新穎的雙分支卷積編碼器來共同學習視頻的內容和語義信息。此外，將單模態變換器應用于視頻字幕，并采用稀疏邊界感知池來減少視頻幀中的冗余，場景理解的發展也對字幕任務做出了很大貢獻。最近，提出了一種基于端到端Transformer的模型 SWINBERT，它利用稀疏注意力掩模來減少連續視頻幀中的冗余和不相關信息。雖然現有的架構在一般視頻字幕方面取得了有希望的結果，但它不能直接應用于動作表示，因為簡單地將視頻字幕轉移到自動駕駛動作表示會錯過一些關鍵信息，例如車輛速度，這在自動駕駛系統中至關重要。本文介紹的算法則是有效地利用這些多模態信息來生成駕駛決策動作。

2、智能駕駛決策的可解釋性

基于學習的自動駕駛是一個活躍的研究領域。采用了一些基于學習的駕駛方法，例如可供性和強化學習，取得了不錯的性能，模仿方法也被用來回歸人類演示的控制命令。例如，對車輛等駕駛主體的未來行為進行建模，騎行者或行人來預測車輛路徑點，而直接根據傳感器輸入預測車輛控制信號，這與控制信號預測子任務是類似的。

提供全面解釋的能力在自動駕駛中發揮著重要作用，自動駕駛汽車的大多數可解釋方法是基于視覺或基于LiDAR的。這種算法主要是利用“注意力圖”的可視化來過濾掉不顯著的圖像區域，以使自動駕駛車輛動作合理且可解釋。

然而，注意力圖可能很容易包含一些不太重要的區域，從而引起乘客的誤解。從車載攝像頭構造BEV（鳥瞰圖），以可視化車輛的運動信息和環境狀態。以激光雷達和高清地圖作為輸入來預測駕駛代理的邊界框，并利用代價函數來解釋規劃決策數值。此外，根據分割以及駕駛代理的狀態構建在線地圖，從而可以很好的避免對高清地圖的嚴重依賴。

ADAPT方法論

實際上，利用上游傳感器的探測直接進行字幕賦值對于車端駕駛員來說可解釋性并不太明顯。因為，對于自動駕駛算法來說，是需要利用感知數據進行車端決策控制的。本文介紹的算法是通過探索自動駕駛車輛控制決策的文本解釋性，從控制信號預測任務中離線提取視頻特征，然后完成視頻字幕構建。

ADAPT架構如下圖 2 所示，它解決兩個任務：駕駛字幕生成（DCG）和控制信號預測（CSP）。DCG 將一系列原始視頻幀作為輸入，并輸出兩個自然語言句子：一個描述車輛的動作（例如，“汽車正在加速”），另一個解釋采取此動作的原因（例如，“因為交通燈變綠”）。而CSP 將相同的視頻幀作為輸入，并輸出一系列控制信號，例如速度、航向或加速度。

一般來說，DCG和CSP任務共享相同的視頻編碼器，同時采用不同的預測頭來產生最終的預測結果。對于DCG任務，我們采用視覺語言轉換器編碼器通過序列到序列生成來生成兩個自然語言句子。對于CSP任務，使用運動信息編碼器通過變換來預測控制信號序列。

圖 2. ADAPT 框架

如上圖所示，（a）輸入是車輛前視視頻，（b）（c）分別顯示預測頭。輸出是預測的車輛控制信號以及當前動作的敘述和推理。算法首先從視頻中密集且均勻地采樣T幀，將其發送到可學習的視頻swin轉換器并標記為視頻，不同的預測頭生成最終的運動結果和文本結果。

1、視頻編碼器

遵循 Swinbert算法采用Video Swin Transformer （video swin）作為視覺編碼器，將視頻幀編碼為視頻特征標記。給定從第一視角捕獲的汽車視頻，首先進行均勻采樣以獲得大小為 H×W×3的T幀。這些幀作為視頻 swin 的輸入傳遞，從而得到大小為 T 的特征 FV ：其中C是視頻swin中定義的通道尺寸。然后，視頻特征被輸入到Transformer不同的預測頭中以執行各個任務。

2、預測頭

文本生成頭的目的是生成兩個句子，描述車輛的動作及其背后的原因。如上所述，視頻幀被編碼為尺寸大小為的特征，然后沿著通道維度對視頻特征進行標記。對于文本輸入（動作敘述和推理），首先對每個句子進行標記并將其填充到固定長度。

然后將這兩個句子連接起來并進行嵌入。為了識別動作敘述和推理之間的區別，這里利用分段嵌入方法來區分它們。過程中，使用可學習的 MLP 來轉換視頻標記的維度，以確保視頻標記和文本標記之間的維度一致性。

最后，文本標記和視頻標記被輸入視覺語言轉換器編碼器，它將生成一個包含動作敘述和推理的新序列。

控制信號預測頭 CSP頭的目標是根據視頻幀預測車輛的控制信號（例如加速度）。給定 T 幀的視頻特征，以及相應的控制信號記錄 S = {s1， s2， 。。， sT }，CSP頭的輸出是控制信號序列 ?S = {s?2， 。。.， s?T }。每個控制信號 si 或 s^i 都是一個 n 元組，其中 n 指的是可利用的傳感器類型。首先對視頻特征進行標記S，然后利用另一個motion transformer來生成這些控制信號的預測?S。通過損失函數 LCSP 定義為 S 和 ?S 的均方誤差來找到兩者之間的差異：

請注意，算法不預測與第一幀相對應的控制信號，因為第一幀的動態信息是有限的，而其他信號可以很容易地從先前幀推斷出來。

3、聯合訓練

在本算法框架中，假設 CSP 和 DCG 任務在視頻表示的語義層面上是一致的。直觀上，動作敘述和控制信號數據是自動駕駛車輛動作的不同表達形式，而推理解釋則集中于影響車輛動作的環境要素。在單個網絡中聯合訓練這些任務可以通過利用不同任務之間的歸納偏差來提高性能。通過對CSP和DCG進行聯合訓練，然后，簡單地將 LCSP 和 LDCG 相加即可得到最終的損失函數：

盡管兩個任務是聯合訓練的，但每個任務的推理可以獨立進行。對于 DCG 任務，ADAPT 將視頻序列作為輸入，輸出包含兩段的駕駛字幕，文本生成以自回歸方式執行。具體來說，模型從“［CLS］”令牌開始，一次生成一個單詞令牌，將之前生成的令牌用作視覺語言轉換器編碼器的輸入。

該過程持續進行，直到模型輸出結束標記“［SEP］”或達到單個句子的最大長度閾值。將第一個句子填充到最大長度后，將另一個“［CLS］”連接到輸入并重復上述過程。

圖3.定性分析：生成的敘述正確地描述了當前的動作，推理合理

基于語言的可解釋性對于社會接受自動駕駛車輛至關重要。ADAPT這種動作感知駕駛字幕Transformer架構是利用多任務聯合訓練來減少駕駛動作字幕任務和控制信號預測任務之間的差異。這是一種基于端到端Transformer的新框架，用于為自動駕駛車輛生成動作敘述和推理。

BEVGPT：用于自動駕駛預測、決策和規劃的生成式預訓練大模型

傳統自動駕駛算法架構是通過一種廣泛接受的解決方案，將將感知、預測、規劃、決策這些任務劃分為不同的模塊，并為每個模塊開發特定于任務的模型。鳥瞰 （BEV） 視角對于自動駕駛系統具有巨大潛力，BEV 可以準確表示鄰近交通狀況，以實現以視覺為中心的感知。然而，現有的 BEV 生成方法需要復雜的輸入表示。此外，這些方法缺乏長期建模的能力，使得它們對未來純電動汽車的預測不可靠。

因此，這里介紹一種新的集成駕駛場景預測、決策和運動規劃的生成式自監督pre-trained預訓練模型。該模型以鳥瞰（BEV）圖像作為唯一輸入源，并根據周圍的交通場景做出駕駛決策。最后通過優化運動規劃方法實現駕駛軌跡的可行性和平滑性。

在該方案中，首先根據環境信息預測周圍交通主體的未來軌跡。然后，預測的代理運動以及地圖分割用于制定駕駛決策來規劃自動駕駛車輛的未來軌跡。然而，采用這種模塊化方法，系統很容易受到不同模塊之間累積誤差的影響。另一種范式是多任務學習，具有共享的特征提取主干，但具有單獨的任務頭。盡管這種方法降低了模型大小和復雜性，并實現了更快的計算速度和更少的計算開銷，但它可能會受到負向遷移的影響，因為與不相關的任務共享信息實際上可能會損害模型性能?；谌缟戏治?，我們可以認為：自動駕駛的各個模塊應該集成到一個綜合框架中。

這種將自動駕駛預測、決策和運動規劃集成在單個生成預訓練生成式預訓練大型模型 （GPT，Generative Pretrained Transformer） 中算法，我們稱之為BEVGPT。

如圖所示，介紹的算法采用兩階段訓練過程。首先，使用大量自動駕駛數據來訓練生成式大模型。隨后，使用真實模擬器通過在線學習對模型進行微調。具體來說，預訓練階段的目標是學習駕駛場景預測和決策，即自動駕駛任務中的 BEV 生成和自我預測。該模型容量大，可在4秒內決定未來軌跡，并在長達6秒內預測未來駕駛場景。

接下來是在線微調階段，通過將經過訓練的生成式預測模型調整為運動動力學運動規劃和準確的BEV預測。在微調階段，運動規劃器被設計為自動駕駛車輛生成平滑且可行的軌跡。此外，還開發了體驗光柵器來幫助模型處理駕駛場景的靜態信息，例如車道和交叉路口。

在本節中，我們詳細介紹了方法框架、差分平坦車輛模型、分段多項式軌跡表示和最小加加速度運動規劃。

1、框架設計

該算法研究的前提是駕駛員會更加關心其駕駛車輛的預測軌跡，比如，自車軌跡上的位置將來是否會被其他車輛占據，而對周邊環境車輛的預測軌跡卻并未有那么多關注。

首次，人類駕駛員通常預先了解環境地圖。例如，使用導航地圖對每條道路的結構和每個交叉路口的位置都一目了然?；诖?，駕駛員會做出相應正確的駕駛決策。

基于以上考慮，則可以保留了構成極簡自動駕駛的必備模塊系統，即決策、運動規劃和駕駛場景預測，同時從經典自動駕駛框架中刪除了對象跟蹤和代理運動預測模塊。

在主體框架中，決策輸出是自車在 T = 4s 范圍內的未來位置，由運動規劃器進一步處理以生成運動動力學且平滑的軌跡?？紤]到靜態環境信息可以很容易地從高清地圖中獲取，我們更加關注對車輛和行人等動態物體的精確預測。駕駛場景預測是通過環境地圖和動態預測相結合得到的，如圖2所示。

該算法采用分段多項式軌跡來表示我們的差分平坦輸出，即 px 和 py。為了最小化后續運動規劃模塊中參數抖動，通常選擇五次多項式表示。假設軌跡總共由M段組成，每段具有相同的時間間隔Δt。對于每個維度，第 n 段多項式軌跡可以寫為：

對于 n = 0， 1， 。。.， M ? 1 且 Tn = nΔt。fn =［fn，0， fn，1， fn，2， fn，3， fn，4， fn，5］ T 表示第 n 項多項式的系數。

2、運動規劃

規劃軌跡f（t）的基本要求包括動態可行性和軌跡平滑性。同時，優選的是最小化控制工作。比如加速度通常作為駕駛舒適性和安全性的判斷客觀指標。因此，可以選擇加加速度來代表控制效果。指定初始狀態 p0 和最終狀態 pM。決策輸出 pn 應包含在軌跡中?？傊?，運動規劃的要求給出了以下加速度jerk問題：

以上方程中，4a 是我們運動規劃問題的一般形式，其目標是最小化控制動力變化率?；谶@樣的一種迭代優化方式，需要設計初始狀態p0和最終狀態pM（4b和4c），該每個分段的初始位置需要確定從預訓練因果變換器的預測路徑點獲得（4d），且兩段軌跡之間的需要保證其連續性（4e）。最后，需要設置對于最大加速度和其jerk的動態約束4f。

3、模型訓練

從數據集中提取車輛姿態、語義BEV圖像和靜態環境地圖圖像。去除持續時間短于24秒（即240幀，時間間隔Δt = 0.1秒）的駕駛情景。然后將自車的未來目標位置作為決策訓練的label。將每幀的車輛位置、當前BEV圖像、下一楨BEV圖像和下一楨環境地圖圖像作為訓練集。

在預訓練階段，BEVGPT進行了20個epochs的訓練。為了提高模型的決策能力和預測能力，這里使用均方誤差（MSE）作為Loss。

其中，pde 和 pgt 分別代表未來 4 秒的決策輸出和真實自車位置。bevpr 和 bevgt 是 BEV 預測和 BEV 真實值。envgt 是對應的靜態環境圖。損失權重參數α旨在平衡決策損失和預測損失。

4、在線微調

BEV 輸入被嵌入并饋送到模型中，以確定 MΔt 時間間隔的未來軌跡點。采用運動規劃器根據決策輸出生成動態可行的軌跡。然后將可執行軌跡輸入模型以生成未來的 BEV 預測。此外，還開發了體驗光柵器來幫助模型獲取模擬駕駛場景的靜態信息。只有知道靜態全局地圖、自動駕駛車輛的初始世界坐標以及世界坐標和光柵坐標之間的轉換，就可以輕松地將所有車道和交叉口映射到光柵化 BEV 圖像中。經過Δt時間間隔的模擬后，我們可以獲得下一張BEV圖像的groundtruth。根據方程式將模型微調 10k 步。

其中 enver、bevpr 和 bevsm 分別表示體驗光柵器提供的環境貼圖、L5Kit 模擬器上的預測和模擬 BEV 圖像。

總結

預測、決策和運動規劃對于自動駕駛至關重要。在大多數傳統算法架構中，它們被視為單獨的模塊或組合成具有共享主干但獨立任務頭的多任務學習范例。實際上，最終的算法是將它們整合到一個綜合框架中，且這種整合過程不應受到復雜的輸入表示（即輸入解耦）和冗余框架設計的困擾。同時，設計之初也需要重點考慮對未來駕駛場景做出長期預測。為了解決這些問題，需要重新思考自動駕駛任務中各個模塊的必要性，并僅將所需的模塊納入到極簡的自動駕駛框架中。

基于此，本文介紹了兩種端到端的自動駕駛系統算法架構。算法一ADAPT是通過標注可解釋性動作的端到端transformer預測架構，BEVGPT 的綜合框架，它僅使用 BEV 圖像作為輸入生成端到端的指令。實際上這種算法不算是真正的端到端處理方法，而是針對感知前處理后形成的目標級結果作為輸入BEV images， 最終輸出自車軌跡及對駕駛場景的預測。然而，該方案在訓練時需要高精地圖，來實現BEV場景真值系統構建，因為BEV更關注道路環境中的動態目標（如實時車輛目標等），而高精地圖則是對靜態場景（如道路拓撲）的構建基準。本文中的輸入是BEV圖像想要利用想ChatGPT那種自然語言處理方式進行計算，然而，基于文字的語言處理是蘊含豐富的語義的，然而BEV Images這種類型則是原始圖像，對于整個后端模型處理無法做到很好的適配。最好的方式則是將BEV Images轉化為以LSS變換得到的BEV Feature作為輸入，則會更好的提升模型的運算效率。

審核編輯：黃飛