NVIDIA 推出用于可扩展端到端自动驾驶的 Hydra-MDP

NVIDIA 推出了 Hydra-MDP，这是一个旨在推进端到端自动驾驶领域的创新框架。根据 NVIDIA 技术博客，Hydra-MDP 利用了多教师、学生-教师知识蒸馏架构，以增强自动驾驶系统的可扩展性和安全性。

自动驾驶领域的突破性框架

构建一个能够有效导航复杂环境并确保乘客安全和舒适的自动系统是一项重大挑战。Hydra-MDP 通过整合来自人类和基于规则的规划者的知识，允许模型学习多样的轨迹，并在各种驾驶场景中提高泛化能力，从而解决了这一问题。

这一通用框架展示了基于机器学习的规划如何通过基于规则的规划者得到加强，确保模型不仅能够模仿人类驾驶行为，还能遵守交通规则和安全标准。此集成解决了传统模仿学习技术的局限性。

数据驱动的可扩展性和鲁棒性

Hydra-MDP 的数据驱动扩展规律强调了其鲁棒性和适应性。通过使用预训练的基础模型和大量数据集及 GPU 小时，Hydra-MDP 展示了其持续改进的潜力。该框架的可扩展性在 CVPR 2024 的端到端驾驶可扩展性挑战赛上赢得了第一名和创新奖，在 nuPlan 基准测试中表现优于最先进的规划器。

关键经验与创新

Hydra-MDP 的开发提供了几个塑造其架构和成功的关键见解：

• 采用多模态和多目标规划：传统系统通常专注于单一模式和单一目标，限制了其在现实世界中的有效性。Hydra-MDP 集成了针对多项指标（包括安全性、效率和舒适性）的多样轨迹。
• 利用多目标 Hydra 蒸馏：通过采用多个专业教师（包括人类和基于规则的教师），模型预测的轨迹与各种基于模拟的指标一致，提高了在不同驾驶条件下的泛化能力。
• 克服后处理局限：Hydra-MDP 将感知和规划集成到一个无缝的管道中，在决策过程中始终保持环境数据的丰富性。
• 整合环境上下文：通过使用 LiDAR 和摄像头输入的特征，Hydra-MDP 的感知网络更好地理解并响应复杂的驾驶环境。
• 通过模拟进行迭代改进：广泛的离线模拟生成可靠的模拟得分，这些得分监督训练过程，弥合了理论性能和真实世界应用之间的差距。
• 有效的模型集成：采用如编码器混合和子评分集成等技术，结合模型优势，提高了鲁棒性，并能高精度处理各种驾驶场景。

结论

Hydra-MDP 的开发代表了自动驾驶技术的重大飞跃。通过采用多模态和多目标规划，利用多目标 Hydra 蒸馏，并通过广泛的模拟进行改进，NVIDIA 创建了一个显著优于现有最先进方法的模型。这些进展为人工智能驱动的自动系统的未来提供了一个有前景的路线图。

欲了解更多信息，请参见 NVIDIA 技术博客 上的详细信息。