端到端自动驾驶的突破：北理工创新技术让性能翻番

在自动驾驶领域，一项由北京理工大学计算机学院主导的研究正在引起广泛关注。这项研究不仅在资源利用上更加高效，还在性能提升方面取得了显著成果，堪称端到端自动驾驶领域的重大突破。在最新一期的CVPR 2024会议上，该团队的研究成果荣获最佳论文奖，其创新性的“蒸馏”技术——PlanKD，成功地将端到端自动驾驶系统的性能提升了近100%，且无需牺牲系统可靠性或增加额外成本。

解决行业痛点：资源限制下的性能优化

长期以来，基于Transformer架构的自动驾驶大模型因庞大的参数量和高计算需求，使得在资源受限的车载环境下部署成为一大挑战。要么增加成本以保障性能，要么削减模型规模牺牲性能，这是自动驾驶技术面临的两难选择。然而，北理工团队的PlanKD框架打破了这一僵局，它能够在保持模型体积小巧的同时，大幅提升端到端规划器的性能，实验证明，使用PlanKD后，相同参数量的规划器性能可提升50-100%。

实验验证：性能与安全的双重提升

研究团队在著名的自动驾驶仿真平台CARLA上进行了详尽的实验，该平台由英特尔和丰田联合开发，提供了丰富的仿真环境和气候条件，是业界公认的端到端自动驾驶测试金标准。他们选取了InterFuser模型作为基础，这是一个由商汤科技提出的多模态Transformer模型，在CARLA公开排行榜上曾位列第一。通过在8个不同模拟城镇中，采用21种天气条件进行训练和测试，结果表明，PlanKD加持下，InterFuser模型的驾驶分数平均提高了60-100%，路线完成度和违章分数也有显著改善，同时降低了碰撞率和违章率，推理时间大幅缩短，展现出优异的安全性和效率。

技术揭秘：PlanKD如何实现“蒸馏”效应

PlanKD的核心在于其独特的“蒸馏”机制，能够精准地将大模型的知识和能力转移到小型模型中，避免了传统知识蒸馏可能带来的无关信息干扰。通过设计基于信息瓶颈策略的规划相关信息蒸馏器，团队仅提取与规划任务紧密相关的特征，有效过滤掉冗余信息，确保小模型性能的纯净提升。此外，针对路径点的重要性和安全性，PlanKD采用了安全意识排名损失函数和熵损失，进一步优化了注意力权重分布，使模型在处理关键路径点时更加稳健可靠。

本文来源：