以规划为导向的自动驾驶
UniAD
⭐⭐⭐☆☆ (3/5)
🧩 软硬件结合
已发布
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
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 | |
|---|---|
| 模型结构 | |
| 训练阶段 | |
| BEV聚合帧数 | |
| 感知性能 | |
| 运动预测 | |
| 占用预测 | |
| 规划性能 | |
| 规划L2误差 | |
| 规划碰撞率 |
项目资源
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 |
所需工具
| 工具 | 用途 | 是否必需 |
|---|---|---|
| Python | 开发语言 | ✅ 是 |
| PyTorch | 深度学习框架 | ✅ 是 |
| mmdet3d | 3D检测框架 | ✅ 是 |
| CUDA | GPU加速 | ✅ 是 |
| Git | 版本控制 | ✅ 是 |
| Docker | 环境管理 | ▢ 推荐 |
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
项目图库
视频
watch
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