爆拉UniAD近40%，推理提升3倍！UAD：全新纯视觉端到端SOTA

主要观点总结

本文提出了一种无监督的端到端自动驾驶（UAD）框架，解决了现有端到端自动驾驶方法中模块化设计带来的问题。通过角度感知预训练任务和自监督训练策略，UAD在nuScenes和CARLA的评估中取得了显著的性能提升。此外，该框架具有数据、训练和推理方面的效率，消除了对标注的需求，降低了计算成本和标注成本。

关键观点总结

关键观点1: 背景介绍

文章首先介绍了自动驾驶领域的背景，指出了当前端到端自动驾驶方法存在的问题和挑战。

关键观点2: 方法介绍

提出了UAD框架，包括角度感知预训练任务和自监督规划。角度感知预训练任务旨在以无监督的方式建模环境，自监督规划则通过增强轨迹的自监督一致性来提高规划鲁棒性。

关键观点3: 角度感知预训练任务

介绍如何通过空间和时间建模获取角度感知信息，以及如何消除对标注的需求。

关键观点4: 自监督规划策略

描述了如何通过方向感知规划来训练规划模块，增强轨迹预测的一致性。

关键观点5: 实验结果与分析

在nuScenes和CARLA数据集上进行了实验评估，验证了UAD框架的性能和效率。

关键观点6: 总结与未来工作

总结了本文的主要贡献，并展望了未来的研究方向。