1 基本信息
院校：德国的图宾根大学
网站：https://www.katrinrenz.de/plant
2 论文背景
2.1 现有问题
现在的基于学习的方法使用高精地图和BEV，认为准确的（达到像素级的pixel-level）场景理解是鲁棒的输出的关键。recovering pixel-level BEV information from sensor inputs。
2.2 作者的想法
作者认为这么丰富的信息是不必要的，仅仅使用低维的（物体级的object-level）特征------周车和routing信息即可。
3 解决办法
3.1 Tokenization
tokenization是指从场景如何获取token的过程。作者用的carla，细节略。直接看的得到的token。
Vt是车辆信息，St是routing信息。包含类型z，相对于自车的bouding box的位置x和y，长宽h和w，方向fai，一共6维。
3.2 Token Embeddings
将tokens输入给一个线性层，原来的6维变成H（hidden）维，再分别加入偏置ev和es，得到e。
3.3 自车规划任务
输入是3.2的线性化后的Vt+St和一个cls token（H维），transformer采用了BERT架构，输出采用GRU，通过自回归的方式输出Wx2的轨迹点。
3.4 周车预测任务
将transformer的输出h（每个周车都有h），经过一个线性层linear layer预测速度/位置/方向等。
3.5 loss设计
自车规划任务：自车轨迹的l1loss。
周车预测任务：交叉熵损失。