研究發展處

計畫主持人－林宏祥助理教授（國立臺北大學資訊工程學系）、吳信龍教授（國立臺北大學資訊工程學系）

【計畫期間】114年04月01日－115年03月31日
【團隊成員】王柏恩、黃柏融
【摘要及成果】過去十年間，深度學習廣泛應用於自動駕駛路徑規劃。UniAD 模型曾獲 CVPR 2023 最佳論文獎，以規劃為導向整合感知與預測，達成端到端設計的重要里程碑。然而，其嚴格的任務序列執行方式導致並行度不足，難以滿足商業化的即時需求。本專案目標在開發出規劃性能接近UniAD、但計算效率大幅提升的模型，加速深度學習在自動駕駛規劃的落地應用。我們提出了 Fast niAD，在保留UniAD 核心精神（MotionFormer 查詢TrackFormer與MapFormer）的同時，以單一Transformer 提升計算的並行性。此外，我們也關注運動生成若引用軌跡與地圖的中間資訊，是否會影響最終規劃表現。截至目前為止，我們尚未實現預期的Fast UniAD 架構，而階段性地完成了模型簡化，包含降低UniAD 的Latent embedding dimension，以及移除Map Former 的Encoder，並實際部署於R4090 工作站。在本次期末報告中，我們將回顧研究背景與相關文獻調查，說明所設計的Fast UniAD 架構，並呈現階段性簡化模型的性能分析結果。