最近看了一篇自动驾驶论文LOWP

现在很多端到端智驾方案，会先把多路摄像头的图像转换成BEV，也就是鸟瞰视角下的场景特征，再根据这些信息预测车辆接下来应该怎么开。

但问题来了：

车辆只是要规划未来几秒钟的行驶轨迹，真的需要把周围整个空间都计算一遍吗？

这篇论文做了一个很有意思的尝试。

研究人员发现，在一套现有的端到端规划模型中，深度网络和BEV编码器占据了大约60%的模型参数。

他们干脆绕过稠密BEV构建，只用32个可学习查询，直接从摄像头特征中读取规划相关的信息。

其中16个查询利用相机标定，把3D空间中的锚点投影到图像上，寻找相关特征；另外16个则结合相机视线的几何信息，在图像特征中提取全局信息。

最后融合两路结果生成轨迹。

数据也挺有意思。

在nuScenes开环测试中，相比采用稠密BEV的对照模型，参数量从8080万下降到了4290万，减少约47%。

同一GPU上的网络推理耗时，从41.35毫秒降到了24.42毫秒，速度提升约1.7倍。

平均轨迹L2误差则从0.302米改善到了0.296米。

也就是说，在这个实验里，减少将近一半的模型参数，并没有明显牺牲规划精度。

当然，这还不能证明BEV已经没有必要。

在Bench2Drive闭环仿真中，系统依然出现了因为刹车控制持续介入而原地停滞的问题。更轻的模型，也不等于整套驾驶系统就更安全。

端到端智驾下一阶段的竞争，不应该只关注怎么把模型做得更大，还应该研究哪些信息是真正需要计算的。

过去我们习惯先尽可能完整地理解场景，再做决策。

未来还有另一条值得探索的路线：从决策需要什么出发，反过来决定感知应该重点处理哪些信息。

车端算力永远不是无限的。

能够用更少的计算，做出同样可靠甚至更好的决策，这本身就是非常重要的技术进步。
#影总聊智驾##大v聊车#