基于深度学习的端到端自动驾驶的最新进展：调研综述
附赠自动驾驶学习资料和量产经验：链接
-
论文链接：https://arxiv.org/pdf/2307.04370.pdf
-
调研链接：https://github.com/Pranav-chib/
摘要
本文介绍了基于深度学习的端到端自动驾驶的最新进展：调研综述。端到端驾驶是一种很有前景的模式，因为它避开了与模块化系统相关的缺陷，例如严重的复杂度和误差传播倾向。自动驾驶通过有前瞻性地提前识别关键的事件，从而超越了传统的交通模式，确保了乘客的安全并且为他们提供舒适的交通，特别是在高度随机和变化的交通环境中。本文全面回顾了端到端自动驾驶技术，提供了自动驾驶任务的分类，其中神经网络以端到端的方式使用，涵盖了从感知到控制的整个驾驶过程，同时解决了现实世界应用中遇到的关键挑战。本文分析了端到端自动驾驶中的最新进展，并且基于基本原理、方法和核心功能对研究进行分类。这些分类包括了传感器输入、主要和辅助输出、从模仿学习到强化学习的学习方法以及模型评估技术。该调研综述包含了可解释性和安全性方面的详细讨论。此外，本文评估了最先进的技术，确定了挑战并且探索了未来的可能性。
主要贡献
本文的关键贡献如下：
1）本文是首篇专门探讨基于深度学习的端到端自动驾驶的调研文献。本文对基本原理、方法和功能进行全面分析，深入研究了该领域中最新技术的进展；
2）本文基于输入模式、输出模式和基本学习方法，提出了一种详细的分类方式。此外，我们对安全性和可解释性方面进行全面检查，以识别和解决特定领域中的挑战；
3）本文提出了一个基于开环和闭环评估的评估框架。此外，我们还编译了一份开源数据集和仿真器的汇总列表。最后，我们评估了最新方法，并且探索了未来的可能性。
论文图片和表格
总结
在过去几年中，与传统的模块化自动驾驶相比，由于端到端自动驾驶的设计简单，因此人们对其产生了浓厚的兴趣。受到端到端自动驾驶研究呈指数级增长的推动，我们首次对基于深度学习的端到端自动驾驶进行全面调研。这篇调研文献不仅有助于理解端到端自动驾驶，也为该领域的今后研究提供指导。我们开发了一种分类方式，根据模式、学习和训练方法对研究进行分类。此外，我们还研究了利用域适应方法优化训练过程的可能性。本文还介绍了一个包含开环和闭环评估的评估框架，从而能够对系统性能进行全面分析。为了促进该领域中进一步研究和发展，我们编译了一份开源数据集和仿真器的汇总列表。本文还探讨了不同文章提出的关于安全性和可解释性的潜在解决方案。尽管端到端方法具有良好的性能，但是仍然需要安全性和可解释性方面继续探索和改进，以实现更广泛的技术应用。
