A Stitch in Time Saves Nine: Preserving Policy Compatibility Under Perception Updates in End-to-End Autonomous Driving

Resumo Técnico: Um Ponto de Costura no Tempo Salva Nove

Enunciado do Problema
Sistemas de direção autônoma de ponta a ponta (ADS) acoplam fortemente a percepção e a tomada de decisão por meio de representações latentes. Embora esse paradigma melhore a eficiência computacional e reduza o acúmulo de erros em comparação com pipelines modulares, ele cria uma vulnerabilidade crítica: atualizações em modelos de percepção de nível superior (devido ao retreinamento, mudanças na configuração de sensores ou mudanças de domínio) alteram as representações latentes enviadas para as políticas de nível inferior. Como as políticas de nível inferior são frequentemente fixas devido a restrições de implantação de segurança crítica e feedback esparso, essas mudanças de representação causam uma degradação significativa de desempenho. Soluções existentes, como o retreinamento de todo o stack de nível inferior ou o ajuste fino (fine-tuning), acarretam custos substanciais de computação, validação e coleta de dados. Abordagens alternativas envolvendo desacoplamento arquitetônico ou adaptadores frequentemente assumem a otimização conjunta, o que não é viável durante a manutenção rotineira de políticas fixas.

Metodologia
O artigo formula o problema como costura de modelos (model stitching): reparar a interface latente entre um modelo de percepção atualizado e uma política de nível inferior congelada sem retreinar a própria política.

1. Formulação da Hipótese: Os autores propõem a Hipótese de Costurabilidade de Representação Compatível com a Política. Esta hipótese postula que, se dois modelos de percepção forem treinados sob sinais supervisores semelhantes (por exemplo, segmentação BEV ou detecção 3D) em observações pareadas do mesmo cenário de direção, seus espaços latentes, embora distintos, retêm fatores relevantes para a tarefa em uma variedade de baixa dimensão (manifold). Consequentemente, uma transformação de baixa complexidade (um "costureiro" ou stitcher) pode mapear a representação atualizada para o espaço esperado pela política original de nível inferior, preservando o comportamento de direção.
2. Mecanismos de Costura: Dois métodos leves de costura são avaliados:
   • Costura Linear: Uma transformação linear ($T_{aff}(z) = zA^T + b$) estimada via mínimos quadrados em características latentes pareadas.
   • Costura Convolucional: Uma camada convolucional leve (especificamente uma convolução $1 \times 1$ com normalização por lote) treinada para minimizar a perda específica da tarefa (por exemplo, erro de reconstrução ou alinhamento de política) enquanto, opcionalmente, alinha os mapas de características.
3. Configuração Experimental: O estudo utiliza o framework RAMBLE com um módulo de percepção BEEFusion e um modelo de dinâmica baseado em Transformer acoplado a uma política Soft Actor-Critic (SAC). Os experimentos cobrem sete cenários distintos de atualização, variando de mudanças de inicialização aleatória e mudanças de objetivo latente (VAE vs. AE) a mudanças de modalidade de sensor (apenas câmera vs. apenas LiDAR vs. multimodal), variações na contagem de sensores e transferências de domínio (nuScenes para CARLA).

Principais Resultados
Os experimentos demonstram que a costura de modelos restaura efetivamente o desempenho de direção através de diversas mudanças de percepção:

• Recuperação de Desempenho:
  • Em cenários de mudança mínima (ex: inicialização aleatória), a costura linear atinge uma Pontuação de Direção (DS) de 96,00, quase igualando o retreinamento (99,12).
  • Em cenários de mudança de sensor (ex: alteração na contagem de sensores), a costura linear recupera apenas parte do desempenho (DS 43,79), enquanto a costura convolucional restaura o desempenho para DS 91,19, aproximando-se do baseline de retreinamento (97,56).
  • No cenário de transferência de domínio (nuScenes para CARLA), o retreinamento e o ajuste fino geram ganhos marginais (DS ~35). Em contraste, a costura convolucional aumenta o DS de 34,76 para 89,88, recuperando mais de 91% da pontuação de direção sem mudança.
• Ganhos de Eficiência:
  • Tempo: A costura reduz o tempo de adaptação de 22,18 horas (retreinamento) para 0,91 horas (costura convolucional).
  • Parâmetros: A costura atualiza apenas 0,001% dos parâmetros de nível inferior (convolucional) ou 0% (linear), comparado a 100% para retreinamento/ajuste fino.
  • Interação: A costura elimina a necessidade de interação online com o ambiente (0 passos vs. 70.000 passos para retreinamento), baseando-se exclusivamente no alinhamento offline do espaço latente.

Significância e Alegações
O artigo afirma que a compatibilidade do espaço latente deve ser tratada como uma consideração de design primária para a evolução de sistemas ADS de ponta a ponta. Os autores argumentam que a degradação de desempenho após atualizações de percepção é atribuída principalmente ao desalinhamento do espaço latente, e não a uma perda fundamental de informação relevante para a tarefa.

A significância deste trabalho reside em fornecer uma alternativa computacionalmente eficiente e escalável ao retreinamento. Ao demonstrar que o alinhamento leve do espaço latente pode preservar o comportamento de direção sem modificar a política, o artigo sugere que os altos custos de validação e retreinamento podem ser mitigados. Esta abordagem é particularmente valiosa para ADS implantados onde restrições de segurança limitam a capacidade de retreinar políticas e onde a coleta de dados é cara. Os autores concluem que a costura de modelos oferece um mecanismo prático para manter sistemas de ponta a ponta sob evolução assíncrona, apoiando a manutenção de longo prazo e a melhoria contín overhead de stacks de direção autônoma.