由来自华中科技大学和地平线机器人（Horizon Robotics）的研究人员共同撰写。论文提出了一种名为VAD（Vectorized Autonomous Driving）的新型端到端自动驾驶范式，该范式通过将驾驶场景建模为完全矢量化的表示来提高自动驾驶的效率和安全性。
以下是该论文的核心内容概述：
背景与挑战：
自动驾驶需要对周围环境有全面的理解，以便进行可靠的轨迹规划。
以往的方法依赖于密集的栅格化场景表示（如占用图和语义地图）来进行规划，这些方法计算量大，且缺失了实例级别的结构信息。
VAD方法：
论文提出了VAD，这是一种全新的端到端矢量化自动驾驶范式。
VAD通过利用矢量化的智能体运动和地图元素作为显式的实例级别规划约束，有效提高了规划的安全性。
VAD摒弃了计算密集型的栅格化表示和手工设计的后处理步骤，运行速度远快于先前的端到端规划方法。
主要贡献：
提出了一种完全矢量化的场景表示方法，摒弃了计算密集型的密集栅格化表示和手工设计的后处理步骤。
通过查询交互和矢量化规划约束，隐式和显式地利用矢量化场景信息来提高规划的安全性。
在nuScenes数据集上实现了最先进的端到端规划性能，大幅超越了之前的最佳方法。
方法细节：
论文详细介绍了VAD的整体框架，包括矢量化场景学习、基于交互的规划和矢量化规划约束。
描述了端到端学习过程中使用的损失函数，包括场景学习损失、矢量化约束损失和模仿学习损失。
结论：
VAD证明了完全矢量化的自动驾驶范式具有高效性，并且能够实现高性能的规划。
论文提出，VAD的卓越性能揭示了矢量化范式在自动驾驶领域的潜力，并指出了未来可能的研究方向。
我们对论文中相关模块进行了详细的解读！
在量产中轻量化的端到端解决方案一定是大家所追寻的，而VAD的矢量化的解决方案大大提高了困扰大家的算力问题，并且我相信在不远的将来一定会有一个篇FastE2E的文章存在，让端到端算法像BEV算法一样能够下沉到更低端的算力芯片上面！
完善版本的解读我们放在了自动驾驶之星知识星球里面，欢迎大家关注我们的知识星球，以及我们的量产自动驾驶交流群！
【自动驾驶之星】知识星球
自动驾驶之星知识星球主打自动驾驶量产全技术栈学习，星球内部形成了BEV障碍物/车道线/Occ、端到端大模型、VLM大模型、智能座舱大模型等等近8个全栈学习路线，并包括: 学习板块，求职面试，有问必答，论文速递，行业动态五大板块！以及三大专栏: 自动驾驶量产经历，360全景环视原理与代码实战，经典论文解读！每天分享干货、代码与论文，星球内嘉宾日常答疑解惑，交流工作与职场问题。
为了回报大家对社区的知识，我们准备了50元的知识星球优惠券，欢迎感兴趣的同学加入！
【自动驾驶之星】技术交流群
自动驾驶之星是面向自动驾驶&智能座舱量产向相关的交流社区，由业内顶尖的自动驾驶量产团队创办！聚焦端到端自动驾驶方案、智能驾驶大模型、多传感器融合技术、云端数据挖掘、智能座舱技术方案、求职交流等方向。扫码添加小助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）
