【论文阅读】VAD: Vectorized Scene Representation for Efficient Autonomous Driving

一、介绍

VAD是华科团队设计的一个端到端无人驾驶框架，针对传统的无人驾驶框架的模块化设计的问题，该算法使用向量化的策略进行了端到端的实现。传统的模块化设计使得感知模块完全依赖于感知模块的计算结果，这一解耦实际上从规划模块的角度损失了很多的信息，诸如语义信息。VAD采用向量化的策略进行了重新设计，从实验结果上来看超过了上海实验室提出的UniAD。

二、方法

VAD的模型以多视角的图像作为输入，编码后提取BEV特征，该特征会被送到Transformer中提取两类特征，这两类特征后续应用到轨控模块中。

3.1 Vectorized Scene Learning

这一节主要是介绍特征提取的部分。首先论文并没有介绍从多视角图像到BEV图像这个过程是如何实现的，应该是直接使用了现成的转换模型。论文直接是从得到BEV视角后开始介绍的。这一部分实际上包括了两种查询：Ageng query和Map query。这里的query实际上就是Transformer里面的那个query，我们主要就是训练这个query。

Map query

先给出结论， 这一个查询输入是BEV视角下的特征，输出是场景中的向量化的实例特征，可以理解为“当前场景中的物体以及哪些点归属于这些物体”。这个实例特征作者起名叫做map vector，它是一个Nm×Np×2大小的矩阵，其中Nm表示场景中物体的数目、Np为一个物体占据的点的数目，最后的2则是说它在BEV视角下的位置。这一个模块中算法主要关注三个内容：车道分割线、道路边界以及人行横道。简单来说就是通过Transformer处理之后，最后转换为一个三分类任务。

Agent query

与Map query类似，这一部分其实也是提取一类特征，主要是对场景中的物体的行进轨迹进行预测，这一预测会被用到后续的规划中。这一部分的输入依然是BEV视角下的特征，输出的是一个大小为Na×Nk×Tf×2的矩阵，其中Na表示场景中物体的数量，Nk表示行驶状态，Tf表示未来的时间戳，最后的2则是BEV视角下的坐标。我的理解是，这个矩阵表示了未来Tf时间内，Na个车辆的行驶状态及位置。相当于在这个模块内进行了所有交通参与者的状态预测，利用这一预测结果来约束后面轨控模块的行驶策略。

在这个模块中，稍微补习了一下Transformer的内容，在Transformer的编码器中，关键的三个值是query、key和value，其中query是我们训练的结果，key和value则是输入的变种。对于VAD中的查询模块，key和value都来源于BEV视角下的特征输入。这里的过程如下图：

查询的数量并不等于类别数量，查询相当于多个卷积核，只负责特征的提取，而真正影响类别数量的是最后softmax层的结构。计算Key和Value的时候，映射矩阵Wk和Wv相当于一个降维的作用，负责对齐Key、Value以及Query的维度，这两个映射矩阵也是模型需要学习的参数。计算注意力的时候，所涉及的维度变化为：

在计算注意力之前，其实就已经存在一个展平的过程，原本BEV应该是H×W×C大小的，每张图是H×W，一共有C张，在计算键值的时候就已经展平了，这样子才可以与Wk和Wv进行计算，计算之后的键值变为D个长度为H×W的向量，拼成一个二维矩阵，key首先与query进行计算，得到相关性，这一相关性与value加权求和，得到大小为Nm×D的二维矩阵，表示D个长度为Nm的向量，可以解释为Nm个关键信息，每个信息都是一个长度为D的向量。这些信息会通过MLP解码进行后处理，将D维度调整为Np×2的维度，这样子就可以恢复出地图元素的位置以及包括的点。最终变成Vm：