以规划为导向的自动驾驶 UniAD

3/5 🧩 软硬件结合 已发布
OpenDriveLab 2180 Stars 未知 BOM 完整度: 0/5 教程完整度: 0/5
查看源码
以规划为导向的自动驾驶

项目简介

[CVPR 2023 Best Paper Award] Planning-oriented Autonomous Driving

UniAD（Planning-oriented Autonomous Driving）是一个以规划为导向的统一自动驾驶算法框架，由OpenDriveLab团队开发，相关论文已被CVPR 2023接收并荣获Award Candidate（仅12篇论文获此殊荣）。该项目的核心理念是打破传统自动驾驶系统中感知、预测、规划各模块独立设计的局限，通过端到端的方式将多个任务层次化地整合在一个统一的框架内。

标签

autonomous-driving autonomous-driving-framework bev-segmentation end-to-end-autonomous-driving motion-planning

项目特点

**规划导向哲学**：UniAD遵循规划导向的设计理念，将感知、预测和规划任务层级式地整合到一个统一框架中
**SOTA性能**：所有任务模块均达到SOTA性能，特别是在预测和规划方面
**端到端训练**：支持两阶段训练策略，先训练感知模块，再联合优化所有任务模块
**模块化设计**：支持替换BEV编码方法（如LSS），提供灵活的模型结构
**多数据集支持**：支持nuScenes、nuPlan和NAVSIM数据集
**开源社区活跃**：持续更新维护，提供预训练模型和详细文档

技术规格

框架 mmdet3d 1.0.0rc6, torch 2.0.1+cu118
模型结构 UniAD-Base (R101编码器)
训练阶段 Stage1: 感知训练 (track + map)；Stage2: 端到端训练 (track + map + motion + occupancy + planning)
BEV聚合帧数 Stage1: 5帧 (queue_length=5)；Stage2: 3帧 (queue_length=3)https://raw.githubusercontent.com/OpenDriveLab/UniAD/main/hthttps://raw.githubusercontent.com/OpenDriveLab/UniAD/main/docs/TRAIN_EVAL.mdpenDriveLab/UniAD)ng: 0.314
运动预测 minADE: 0.794
占用预测 IoU-n: 64.0
规划性能 avg.Col: 0.29 (nuScenes)；PDMS: 83.4 (NAVSIM)
规划L2误差 1s: 0.29mhttps://raw.githubusercontent.com/OpenDriveLab/UniAD/main/sources/cvpr23_uniad_poster.png)ttps://raw.githubusercontent.com/OpenDriveLab/UniAD/main/docs/INSTALL.md5%, 2s: 0.20%, 3s: 0.5https://raw.githubusercontent.com/OpenDriveLab/UniAD/main/docs/DATA_PREPhttps://raw.githubusercontent.com/OpenDriveLab/UniAD/main/docs/INSTALL.md)仓库](hthttps://https://raw.githubusercontent.com/OpenDriveLab/UniAD/main/docs/DATA_PREP.md)/OpenDriveLab/Unihttps://raw.githubusercontent.com/OpenDriveLab/UniAD/main/docs/TRAIN_EVAL.md)penDriveLab/UniAD) -- 项目主仓库

物料清单 (BOM)

物料名称 数量 参考价格 备注
Python 3.8+ 1 — 开发环境
PyTorch 2.0.1+cu118 1 — 深度学习框架
mmdet3d 1.0.0rc6 1 — 3D检测框架
CUDA 11.8 1 — GPU计算平台
nuScenes数据集 1 — 主要训练/评估数据集
nuPlan数据集 1 — 可选，v2.0新增
NAVSIM数据集 1 — 可选，v2.0新增
GPU (建议16GB+显存) 4-8 — 训练需要多GPU

能力画像

⚪ 记忆与知识检索: 1/5
🔵 逻辑推演: 5/5
⚪ 表达与交流: 1/5
⚪ 感知与观察: 1/5
🔵 数理与计算: 5/5
🔵 动手与操作: 3/5
🔵 狂热与坚持: 4/5
🔵 创造与创新: 5/5

视频

UniAD项目演示视频 YouTube

所需技能

🔧 **动手能力**：需要配置深度学习环境，管理多GPU训练，处理大规模数据集（nuScenes约300GB） 💻 **编程能力**：需要精通Python和PyTorch，理解mmdet3d框架，能够阅读和修改复杂的深度学习模型代码 ⚡ **电子电路**：不涉及硬件电路

适用场景

自动驾驶研究：作为端到端自动驾驶算法的基准框架
学术研究：用于感知、预测、规划等任务的联合学习研究
工业应用：为自动驾驶系统提供统一的算法框架参考
竞赛参与：在nuScenes、nuPlan等自动驾驶挑战赛中取得优异成绩