arXiv論文“ST-P3: End-to-end Vision-based Autonomous Driving via Spatial-Temporal Feature Learning“，22年7月，作者來自上海交大、上海AI實驗室、加州圣地亞哥分校和京東公司的北京研究院。

提出一種時空特征學習方案，可以同時為感知、預測和規(guī)劃任務提供一組更具代表性的特征，稱為ST-P3。具體而言，提出一種以自車為中心對齊（egocentric-aligned）的累積技術，在感知BEV轉換之前保留3-D空間中的幾何信息；作者設計一種雙路（dual pathway ）模型，將過去的運動變化考慮在內，用于未來的預測；引入一個基于時域的細化單元，補償為規(guī)劃的基于視覺元素識別。源代碼、模型和協(xié)議詳細信息開源https://github.com/OpenPerceptionX/ST-P3.

開創(chuàng)性的LSS方法從多視圖攝像機中提取透視特征，通過深度估計將其提升到3D，并融合到BEV空間。兩個視圖之間的特征轉換，其潛深度預測至關重要。

將二維平面信息提升到三維需要附加維度，即適合三維幾何自主駕駛任務的深度。為了進一步改進特征表示，自然要將時域信息合并到框架中，因為大多數場景的任務是視頻源。

如圖描述ST- P3總體框架：具體來說，給定一組周圍的攝像機視頻，將其輸入主干生成初步的前視圖特征。執(zhí)行輔助深度估計將2D特征轉換到3D空間。以自車為中心對齊累積方案，首先將過去的特征對齊到當前視圖坐標系。然后在三維空間中聚合當前和過去的特征，在轉換到BEV表示之前保留幾何信息。除了常用的預測時域模型外，通過構建第二條路徑來解釋過去的運動變化，性能得到進一步提升。這種雙路徑建模確保了更強的特征表示，推斷未來的語義結果。為了實現軌跡規(guī)劃的最終目標，整合網絡早期的特征先驗知識。設計了一個細化模塊，在不存在高清地圖的情況下，借助高級命令生成最終軌跡。

如圖是感知的以自我為中心對齊累計方法。（a） 利用深度估計將當前時間戳處的特征提升到3D，并在對齊后合并到BEV特征；（b-c）將先前幀的3D特征與當前幀視圖對齊，并與所有過去和當前狀態(tài)融合，從而增強特征表示。

如圖是用于預測的雙路模型：（i） 潛碼是來自特征圖的分布；（ii iii）路a結合了不確定性分布，指示未來的多模態(tài)，而路b從過去的變化中學習，有助于路a的信息進行補償。

作為最終目標，需要規(guī)劃一條安全舒適的軌跡，到達目標點。這個運動規(guī)劃器對一組不同的軌跡進行采樣，并選擇一個最小化學習成本函數的軌跡。然而，通過一個時域模型來整合目標（target）點和交通燈的信息，加上額外的優(yōu)化步驟。

如圖是為規(guī)劃的先驗知識集成和細化：總體成本圖包括兩個子成本。使用前視特征進一步重新定義最小成本軌跡，從攝像機輸入中聚合基于視覺的信息。

懲罰具有較大橫向加速度、急動或曲率的軌跡。希望這條軌跡能夠有效地到達目的地，因此向前推進的軌跡將獎勵。然而，上述成本項不包含通常由路線地圖提供的目標（target）信息。采用高級命令，包括前進、左轉和右轉，并且只根據相應的命令評估軌跡。

此外，交通信號燈對SDV至關重要，通過GRU網絡優(yōu)化軌跡。用編碼器模塊的前攝像頭特征初始化隱藏狀態(tài)，并用成本項的每個采樣點作為輸入。

實驗結果如下：