SparseDrive：基于稀疏场景表示的端到端自动驾驶

模块化自动驾驶系统把感知、预测、规划拆成彼此独立的任务，虽然便于解释和追踪误差，却不可避免地带来跨模块的信息损失与误差累积，限制了系统性能上限。端到端范式把多任务收进一个完全可微的框架，可以按面向规划的目标统一优化，因此被视为有希望的方向。但材料指出，现有端到端方法在性能与效率上都不令人满意，规划安全尤其如此，原因被归结为两点：计算昂贵的 BEV 特征，以及对预测和规划过于直白的设计。SparseDrive 要回答的正是：如果换掉这两块前提，端到端驾驶能做到什么程度。

这份资料覆盖的范围从场景表示一直延伸到规划输出：它重新审视端到端驾驶的任务设计，提出名为 SparseDrive 的稀疏中心范式，由对称稀疏感知模块和并行运动规划器两部分组成。稀疏感知模块用对称的模型架构统一检测、跟踪与在线建图，学习驾驶场景的全稀疏表示；其基本做法是把解耦的实例特征与几何 anchor 组合起来，作为一个实例（动态道路参与者或静态地图元素）的完整表示。评测在 nuScenes 基准上完成，对照对象包括此前的方法与 UniAD 这类当时的最优方法。

资料对任务设计的批评集中在三组被忽视的“平行性”上。其一，预测周围参与者和自车的未来轨迹，本应考虑道路参与者之间高阶且双向的交互，而此前方法对预测与规划采用顺序设计，忽略了自车对周围参与者的影响。其二，准确的轨迹预测既需要用于场景理解的语义信息，也需要用于推断未来运动的几何信息，这些信息在上游感知中已为周围参与者提取，却唯独漏掉了自车。其三，预测与规划都是带有内在不确定性的多模态问题，而此前方法在规划时只输出确定性轨迹。基于这三点，SparseDrive 把规划建模为多模态问题，让预测与规划并行执行，为所有道路参与者生成多模态轨迹，再用分层规划选择策略配合 collision-aware rescore 模块，从多模态轨迹提案中挑出一条合理且安全的轨迹作为最终规划输出。

数字层面的结果相当直接。基础模型 SparseDrive-B 把平均 L2 误差降低 19.4%（0.58m 对 0.72m），碰撞率降低 71.4%（0.06% 对 0.21%）。更小的 SparseDrive-S 相对此前最优方法 UniAD，在所有任务上性能更优，同时训练快 7.2 倍（20 h 对 144 h）、推理快 5.0 倍（9.0 FPS 对 1.8 FPS）。在 nuScenes 上，它在全部指标上都超过此前的最优方法，其中碰撞率这一安全关键指标的差距最为醒目。

这些结论意味着，端到端范式在“规划安全”这个最常被质疑的维度上，已经不只是有潜力。碰撞率从 0.21% 降到 0.06% 属于量级上的变化，而训练 20 小时对 144 小时、推理 9.0 FPS 对 1.8 FPS 的差距，意味着实验迭代与部署验证的成本门槛明显下移，这对研究和工程调优都是实际影响。换个角度解读，稀疏表示之所以能同时改善性能与效率，关键在于它用实例特征加几何 anchor 承载动态与静态要素，从而绕开了稠密 BEV 特征那份计算开销；而并行规划器加碰撞感知重打分的选择机制，则是把“多模态”从预测环节一直保留到最终决策环节的具体落点。

做端到端自动驾驶、多模态轨迹预测或规划安全的人，读这份资料能拿走的是一套可复述的任务设计方案：稀疏感知如何统一三类感知任务、预测与规划为何可以并行、最终轨迹如何被筛选。同时它提供了三个论证角度，可用于判断其他端到端方法在任务设计上漏掉了什么。边界也需要说清楚：材料标明这是预印本、仍在评审中，评测集中于 nuScenes 基准，上述提升数字都是在该基准与相应对照方法下取得的，不能直接外推到真实道路或其他数据集；材料给出的是设计动机与结果，实现细节与失败情形并未展开。代码地址在材料中给出，便于后续核对。

SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation Wenchao Sun1,2 Xuewu Lin2 Yining Shi1 Chuang Zhang1 Haoran Wu1 Sifa Zheng1 1 Tsinghua University 2 Horizon Abstract The well-established modular autonomous driving system is decoupled into dif- ferent standalone tasks, e.g. perception, prediction and planning, suffering from information loss and error accumulation across modules. In contrast, end-to-end paradigms unify multi-tasks into a fully differentiable framework, allowing for optimization in a planning-oriented spirit. Despite the great potential of end-to- end paradigms, both the performance and efficiency of existing methods are not satisfactory, particularly in terms of planning safety. We attribute this to the compu- tationally expensive BEV (bird’s eye view) features and the straightforward design for prediction and planning.