介绍一个端到端自动驾驶的闭环评价方案
作者 | 招一斌编辑 | 李慢慢出品 | 车路漫漫正文共: 11919字 59图预计阅读时间: 30分钟大家好,我是李慢慢。收到一篇网友的投稿,感觉非常不错呀,大家可以拿来学习学习,甚至部署部署,从此咱也是对端到端自动驾驶有经验的仿真er啦。废话不多说,以下原文。本文目录:1、前言2、Bench2Drive 是什么3、Bench2Drive 怎么用3.1、数据集准备3.2、模型训练3.3、闭环评估3.4、实验结果分析4、Bench2Drive 的进阶与未来5、Bench2Drive 关键问题及回答6、Bench2Drive 的本地化部署6.1、系统配置要求6.2、资源仓库6.3、前期准备工作6.3.1、下载 Miniconda36.3.2、下载仓库源码6.3.3、下载预训练模型6.4、部署步骤7、Bench2Drive 的运行7.1、配置文件修改7.2、启动Bench2Drive7.3、Bench2Drive 运行效果7.4、Bench2Drive 运行结果8、Bench2Drive 使用的一些感悟9、Reference9.1、Bench2Drive 论文下载-百度网盘链接9.2、Bench2Drive 仓库下载-百度网盘链接1、前言考试拿满分,上路就翻车。刚从驾校拿到驾照的学员如此,刚上车的端到端大模型亦如此。为什么不能在上车前就拦截住这些问题呢?这正是当前端到端自动驾驶(End to End Autonomous Driving,简称E2E-AD)技术面临的困境,源自于现有自动驾驶评估体系存在的三大断层: "应试教育"局限:主流方法依赖开环测试(如nuScenes),像让学生对着固定题库刷答案,仅通过回放历史数据验证单帧决策,却无法检验连续驾驶中动态交互的真实能力; "考场设计"缺陷:闭环测试(如CARLA固定路线)虽模拟真实环境,但考题单一(如Town05Long仅6种路况),导致同一算法多次考试得分差异超30%,更因各厂商自建"私人题库"而丧失公平性; "评分标准"片面:现有基准(如Waymax)仅考核基础驾驶动作,对44种复杂交互场景(如暴雨中紧急避让)的覆盖不足15%。简而言之就是:简单的考题,并不能让学生具备真正的实战能力。简单的场景,也不能证明自动驾驶没有问题。所以,一个更全维度的题库,一个更公平的考场,一个更有权威的评分方法,一个更有效率的评估平台成为“刚需”,为此,Bench2Drive应运而生。2、Bench2Drive 是什么为了解决当前端到端自动驾驶系统的评测难题,上海交通大学ThinkLab实验室推出Bench2Drive —— 一个为端到端自动驾驶"AI司机"设计的开源的智能驾考系统。它构建了一个标准化"考场"(覆盖44类危险场景、23种天气、12类城区),通过220条魔鬼路段(如连续变道隧道、强光逆行的乡间小路等)实现三大突破: 动态闭环测试:车辆每次决策实时影响环境,模拟真实路况连锁反应; 公平竞技场:提供200万帧全标注训练数据,终结"各练各的题"乱象; 多维度评分:从成功率到轨迹平滑度的5项指标,像考官一样同时评估学员的反应速度、应急处理和驾驶舒适度。这一系统首次将驾校"科目二/科目三"的精细化考核逻辑引入自动驾驶评测,更以极端场景(比如让"AI司机"在暴雨夜间的环岛让行、沙尘暴中的施工路段绕行等)来证明其"老司机"实力。在自动驾驶技术迅猛发展的当下,Bench2Drive 的出现为全球范围内的相关研究与开发,提供了一个极具价值的标准化评估平台,有力推动着自动驾驶技术朝着更加安全、可靠的方向迈进 。如下提供一个官方视频,演示Bench2Drive 运行不同场景的效果。作者寄语:在我看来,Bench2Drive 宛如一场及时雨,它搭建起一个开源平台,打破了专业领域的壁垒。以往,大模型的训练与测试似乎是专业科研团队的 “专属特权”,如今,凭借 Bench2Drive,我们普通人也能涉足其中,亲自体验训练大模型和测试大模型的过程。来源:车路漫漫