标题：SparseDrive: End-to-End Autonomous Driving via Sparse Scene Representation
作者：Wenchao Sun Xuewu Lin Yining Shi Chuang Zhang Haoran Wu Sifa Zheng
moviation
作者觉得成熟的模块化自动驾驶系统被分解为不同的独立任务，例如感知、预测和规划，从而导致模块间信息丢失和错误累积。相比之下，端到端范式将多任务统一到一个完全可微分的框架中，从而允许以规划为导向进行优化。尽管端到端范式具有巨大潜力，但现有方法的性能和效率都不令人满意，特别是在规划安全方面。作者觉得BEV方案的计算代价太高且模型设计太简单了。因此，作者搞了一个稀疏的sparseDrive模型，又快又好。
methods
是由三部分组成：图像编码器、对称稀疏感知和并行运动规划器;
在对称稀疏感知模块中,特征图被聚合成两组实例，来学习驾驶场景的稀疏表示。这两组实例分别代表周围的智能体和地图元素，被输入到并行运动规划器中，与初始化的自我实例进行交互。运动规划器同时预测周围智能体和自身车辆的多模态轨迹，并通过分层规划选择策略选择一条安全轨迹作为最终规划结果。
Symmetric Sparse Perception:
右边Sparse Detection和左边Sparse Online Mapping，都用相同的sparse4d结构的模型，训练方式也同于sparse4dv3， 只是特征变量不一样：
跟踪也是用的sparse4dv3里面的策略；
Parallel Motion Planner：
作者用前视最小特征图和自车状态进行初始化，并把自车和他车及周围环境信息concat在一起行车整个规划的环境模型；最后做预测和规划。**Hierarchical Planning Selection：**现在有了多模态规划轨迹方案，为了选择一个安全的轨迹，设计了一个分层规划选择策略。首先，选择一个轨迹方案子集 ，对应于高级命令 。然后，采用一种新颖的碰撞感知重新评分模块来确保安全性。利用运动预测结果，我们可以评估每个规划轨迹方案的碰撞风险，对于碰撞概率高的轨迹，我们降低该轨迹的分数。在实践中，我们简单地将碰撞轨迹的分数设置为0。最后，我们选择得分最高的轨迹作为最终的规划输出。
training:
SparseDrive 的训练分为两个阶段。在阶段 1 中，从头开始训练对称稀疏感知模块，以学习稀疏场景表示。在阶段 2 中，稀疏感知模块和并行运动规划器一起训练，没有模型权重冻结，充分感受端到端优化的好处。配置config文件即可：
loss:
另外，作者加了深度预测分支；
code 赏析
experiments
如作者说的，与其他模型相比，拉开了很大的差距。
其他发现：
【完结】
