文献中涉及的主要知识点梳理及所提框架简介：
-
自动驾驶系统的模块化：现代自动驾驶系统通常被分解为顺序执行的模块化任务，包括感知（perception）、预测（prediction）和规划（planning）。
-
多任务学习（Multi-task Learning, MTL）：在自动驾驶领域，多任务学习是一种常见的方法，它通过共享特征提取器来同时训练多个任务特定的模型。
-
端到端（End-to-End）学习：与多任务学习相对，端到端学习将所有模块（从感知到规划）作为一个整体进行训练，以直接优化最终的规划性能。
-
感知模块：包括3D目标检测、跟踪和在线映射（online mapping），这些模块负责理解车辆周围的环境。
-
预测模块：包括运动预测（motion forecasting）和占用预测（occupancy prediction），这些模块预测其他车辆和障碍物的未来行为。
-
规划模块：负责根据感知和预测的信息来规划车辆的安全路径。
-
统一自动驾驶（Unified Autonomous Driving, UniAD）：文献中提出的一个全面的框架，它将所有驾驶任务集成在一个网络中，以规划为导向，优化各个模块以促进规划任务。
-
基于查询的设计（Query-based Design）：UniAD使用基于查询的设计来连接不同的模块，这有助于减少上游预测的累积误差，并灵活地建模多种交互。
-
Transformer和注意力机制：在UniAD框架中，使用了基于Transformer的解码器结构来处理感知和预测任务，利用注意力机制来捕捉实体间的不同交互。
-
非线性优化：在运动预测中，为了处理上游模块的预测不确定性，采用了非线性平滑器来调整目标轨迹，使其在物理上可行。
-
实例级和场景级表示：在占用预测中，同时使用实例级和场景级表示来预测未来的占用网格图。
-
规划的安全性：在规划模块中，通过优化策略来避免与预测的占用区域发生碰撞，确保规划的安全性。
-
nuScenes基准测试：文献中在nuScenes基准测试上验证了UniAD的有效性，这是一个具有挑战性的真实场景自动驾驶数据集。
-
计算复杂性和资源限制：在实现这些高级自动驾驶功能时，需要考虑计算资源和算法复杂性，以确保系统可以在实际的车辆硬件上运行。
