UniAD的逻辑，与传统自动驾驶的差异

你可以把传统的自动驾驶系统想象成一根**“接力棒”而把 UniAD 想象成一个“全能大脑”**。1. 传统的做法模块化Modular的“接力赛”在你实习期间接触到的系统大多是这种第一棒感知识别人行道、车、红绿灯输出一个“物体列表”。第二棒预测拿这个列表猜别的车往哪开输出一条“轨迹线”。第三棒规划拿着预测线算出自己怎么走。痛点信息断层 如果第一棒感知看漏了一个骑车的人这个错误会像滚雪球一样传到最后一棒。最后一棒规划根本不知道前面发生了什么只能“盲目”执行。这就是所谓的**“信息瓶颈”**。2. UniAD 的做法统一Unified的“圆桌会议”UniAD 的核心思想是不再传递简单的结果比如坐标、速度而是传递“特征Query”。全栈打通它把检测Detection、跟踪Tracking、映射Mapping、运动预测Motion Prediction和占用预测Occupancy Prediction全部放在一个Transformer网络里。目标明确虽然它干了很多活但它所有的努力都只有一个终极目标——为了最后一刻的“规划Planning”。它的逻辑是 我做感知和预测不是为了出个报表而是为了让我最后那一脚油门踩得更准。如果规划觉得这地方容易撞车它会反过来要求感知模块“你给我看清楚那块阴影到底是不是车”它是怎么实现“倒逼感知模块”的“要求感知模块看清楚阴影”在深度学习里对应两个核心机制A. 训练阶段的“秋后算账”反向传播Backpropagation这是 UniAD 这种“端到端End-to-End”模型最强大的地方系统在训练时如果最后的 规划Planning 算出来的线和人类司机的真迹对不上比如人类绕开了阴影AI 撞了上去系统会产生一个 误差Loss。这个误差会像电流一样顺着网络往回流一直流到最开头的感知层。效果它会告诉感知的神经元“刚才你把那个阴影当成路面是错的下次你要把它识别成障碍物”B. 推理阶段的“圆桌会议”注意力机制AttentionUniAD 内部各模块跟踪、预测、规划之间在不断通过Transformer进行对话。当规划模块觉得某个区域有碰撞风险时它的“关注权重”会自动聚焦到那个区域。这种逻辑保证了系统会将 80% 的算力花在对驾驶决策最重要的 20% 物体上。3. 总结UniAD 到底牛在哪它把自动驾驶从“一堆零件的组装”变成了“一个整体的演化”。传统方法你在修你的 Hybrid A* 算法时可能没法影响感知的识别率。UniAD它在训练时规划的误差可以直接反向传播到最开头的感知层。