Resumen Técnico: DrivoR – Conducción sobre Registros

Declaración del Problema

La conducción autónoma de extremo a extremo (E2E) busca mapear datos sensoriales brutos directamente a decisiones de conducción, reduciendo los costos de etiquetado y evitando anotaciones modulares intermedias. Aunque los métodos de propuesta de trayectorias han mostrado un sólido rendimiento al generar múltiples caminos candidatos y seleccionar el mejor, enfrentan un cuello de botella computacional significativo. Los enfoques de vanguardia actuales suelen depender de backbones pesados (por ejemplo, grandes Vision Transformers o CNNs) que emiten miles de tokens por cuadro. El procesamiento de estos tokens para cientos de candidatos de trayectoria crea una carga computacional que escala pobremente con la resolución y el número de sensores. Además, las soluciones existentes suelen depender de un agrupamiento (pooling) uniforme de características, que trata todas las entradas de cámara como igualmente informativas e impone requisitos de resolución rígidos, lo que potencialmente descarta el contexto crítico de planificación.

Metodología: Arquitectura DrivoR

Los autores proponen DrivoR, una arquitectura de transformador pura, simple y eficiente, diseñada para la planificación E2E. El sistema evita representaciones intermedias complejas (como las proyecciones de Vista de Ojo de Pájaro o BEV) y diccionarios de trayectorias precomputados de gran tamaño. En su lugar, utiliza un pipeline de tres etapas basado en transformadores:

1. Codificador de Percepción con Registros Sensibles a la Cámara

La innovación central reside en el codificador de percepción, que reemplaza el agrupamiento uniforme con tokens de registro sensibles a la cámara.

• Mecanismo: Para cada una de las $N$ cámaras de entrada, el modelo introduce un conjunto fijo de $R$ tokens de registro aprendibles. Estos se concatenan con los tokens de parches estándar y se introducen en un backbone de Vision Transformer (ViT) preentrenado (específicamente DINOv2 ViT-S).
• Compresión: El ViT comprime las características visuales de alta dimensión en estos $R$ registros por cámara. La salida es un conjunto compacto de $N \times R$ "tokens de escena".
• Ventaja: Este enfoque reduce drásticamente la longitud de la secuencia para el procesamiento posterior (de miles de tokens a unas pocas docenas) preservando al mismo tiempo el contexto relevante para la planificación. Los registros son específicos de cada cámara, lo que permite al modelo diferenciar entre las vistas frontal, lateral y trasera.
• Entrenamiento: El backbone se ajusta mediante Adaptación de Bajo Rango (LoRA) para aprender la compresión de visión-a-registro de manera eficiente, manteniendo bajo el recuento de parámetros.

2. Decodificador de Trayectoria

El decodificador de trayectoria genera caminos candidatos utilizando una arquitectura de decodificador de transformador estándar.

• Entrada: Toma un conjunto de consultas de trayectoria aprendibles, aumentadas con información del estado del ego (posición, velocidad, aceleración, comandos).
• Atención: Las consultas atienden a los tokens de escena comprimidos mediante atención cruzada (cross-attention).
• Salida: El decodificador produce un conjunto de trayectorias candidatas, cada una representada como una secuencia de poses $(x, y, \theta)$ en el marco local del agente ego.
• Pérdida: El entrenamiento utiliza una pérdida de Ganador-Se-Lleva-Todo (WTA) o de Mínimo-sobre-$N$ (MoN), supervisando solo la trayectoria predicha más cercana a la realidad (ground truth), fomentando la diversidad en el conjunto de propuestas.

3. Decodificador de Puntuación (Desacoplado)

Un módulo de puntuación distinto evalúa la calidad de las trayectorias generadas.

• Desacoplamiento: Crucialmente, las trayectorias decodificadas se vuelven a codificar en un nuevo espacio de características y se desprenden del grafo de gradientes antes de entrar en el decodificador de puntuación. Esto evita que el proceso de generación de la trayectoria sea influenciado por la calidad inmediata del evaluador durante el entrenamiento, imponiendo una separación entre la generación y la evaluación.
• Sub-puntuaciones: En lugar de una única puntuación escalar, el modelo predice seis sub-puntuaciones interpretables correspondientes a los componentes del Modelo de Conductor Predictivo (PDMS) (por ejemplo, seguridad, comodidad, eficiencia, progreso).
• Condicionamiento de Comportamiento: En la inferencia, estas sub-puntuaciones pueden ponderarse de manera diferente (mediante un conjunto de pesos $\lambda$) para modular el comportamiento de conducción (por ejemplo, priorizando la seguridad sobre el progreso) sin necesidad de reentrenar el modelo.

Contribuciones Clave

1. Arquitectura de Transformador Simple: Un planificador E2E de transformador puro que elimina la necesidad de representaciones BEV intermedias o grandes vocabularios de trayectoria.
2. Compresión de Tokens Basada en Registros: El primer trabajo que reaprovecha los tokens de registro de ViT específicamente para comprimir características visuales en la planificación E2E. Esto logra una representación de escena compacta que retiene el contexto crítico mientras reduce la carga computacional en órdenes de magnitud en comparación con los mapas de características completos.
3. Puntuación Desacoplada: Un diseño modular que separa la generación de la trayectoria de la puntuación, permitiendo el aprendizaje de sub-puntuaciones interpretables y permitiendo políticas de conducción condicionadas por el comportamiento durante la inferencia.

Resultados Experimentales

DrivoR fue evaluado en tres benchmarks principales: NAVSIM-v1, NAVSIM-v2 y el entorno de lazo cerrado fotorrealista HUGSIM.

• NAVSIM-v1: DrivoR supera a todos los métodos existentes basados solo en cámaras, logrando un PDMS de 93.7 (usando datos de trainval) y 94.0 con datos sintéticos adicionales, acercándose al rendimiento humano (94.8). Supera significativamente a bases sólidas como RAP y UniAD.
• NAVSIM-v2: En la división desafiante navhard-two-stage, DrivoR logra un nuevo estado del arte en EPDMS de 54.6, superando a modelos como GTRS y ZTRS. Notablemente, logra esto con un backbone mucho más pequeño (ViT-S) y menos parámetros (~40M) en comparación con sus competidores.
• HUGSIM: En una evaluación zero-shot en el benchmark de lazo cerrado HUGSIM, DrivoR (entrenado solo en NAVSIM-v1) logró el mayor porcentaje de Completitud de Carretera (49.8%) y HD-Score (35.7) entre las bases reportadas, demostrando una fuerte generalización a entornos 3D fotorrealistas.
• Eficiencia: La compresión basada en registros produce una mejora de 3x en el rendimiento (110ms vs 400ms por paso hacia adelante en una GPU A100) y una reducción de 3x en GFLOPS y uso de memoria pico en comparación con una base ViT-L, haciendo que el despliegue en tiempo real sea más factible.

Significado y Reivindicaciones

El artículo postula que una arquitectura de transformador puro, combinada con una compresión de tokens dirigida mediante registros, es suficiente para una conducción de extremo a extremo precisa, eficiente y adaptable. Los autores destacan que:

• El agrupamiento uniforme es subóptimo; los registros sensibles a la cámara permiten al modelo aprender qué vistas son más informativas (por ejemplo, cámaras frontales para la planificación, cámaras traseras para verificaciones de seguridad específicas).
• El desacoplamiento de la puntuación de la generación mejora el rendimiento y permite comportamientos de conducción controlables.
• El alto rendimiento no requiere diccionarios de trayectorias masivos o representaciones 3D intermedias complejas; un pipeline de transformador simple y bien estructurado puede igualar o superar el rendimiento de sistemas más complejos siendo significativamente más eficiente.

El trabajo sugiere un cambio hacia estrategias de compresión ligeras basadas en registros para sistemas de conducción autónoma en tiempo real, demostrando que "menos es más" cuando la compresión es aprendida y consciente del contexto.