论文地址：https://arxiv.org/pdf/2212.10156

代码地址：https://github.com/OpenDriveLab/UniAD

1. 摘要

现代自动驾驶系统通常由一系列按顺序执行的模块任务构成，例如感知、预测和规划。为了完成多种任务并实现高级别的智能化，当前的方法要么为每个任务部署独立模型，要么采用带有多个任务头的多任务学习范式。然而，这些方法可能面临误差累积或任务协调不足的问题。因此，论文认为，一个理想的自动驾驶框架应围绕最终目标——即自车轨迹规划进行设计与优化。基于这一理念，重新审视了感知与预测中的关键组成部分，并对任务进行优先级排序，使它们都服务于规划。

如图 (a) 所示，大多数工业界解决方案仍采用独立模型分别处理每项任务，只要车载芯片资源允许。这种设计虽然降低了跨团队开发难度，但由于各模块优化目标相互独立，容易造成信息丢失、误差累积和特征失配等问题。更优雅的设计是将多个任务整合为多任务学习（MTL）架构，如图 (b)