综述：关于自动驾驶中端到端感知与预测的研究

《Machine Intelligence Research》：A Survey on End-to-end Perception and Prediction for Autonomous Driving

传统自动驾驶研究存在多任务分解导致的计算能力限制和误差累积问题，新型端到端感知与预测（PnP）方法通过整合多目标跟踪和联合感知预测模型提升性能。本文系统综述PnP领域研究，按LiDAR、摄像头、多模态数据分类解析方法架构，并探讨复杂场景下的未来发展方向。

　　

摘要

传统的自动驾驶研究将问题分解为五个不同的子任务：感知、跟踪、预测、规划和控制。尽管最近取得了显著进展，但由于计算能力的限制以及累积误差的传播，这一范式仍面临挑战，导致在实际应用中效果不尽如人意。最近，研究人员将关注点转向了一种新的范式：端到端的感知和预测方法（PnP）。这种方法整合了多目标跟踪和联合感知与预测模型的概念，促进了各项任务之间的协同优化，从而实现了更优异的性能。在本文中，我们对PnP研究进行了全面调查，旨在涵盖该领域的所有相关工作。首先，我们介绍了PnP的流程并概述了我们的调查内容。接着，我们按数据来源（包括激光雷达、摄像头和多模态数据）深入探讨了PnP方法，并对其架构进行了详细分析。此外，我们还讨论了该领域在新场景下的发展方向。