CVPR 2023 自動駕駛挑戰賽正式啟動

近日，CVPR2023自動駕駛挑戰賽將正式啟動。本次大賽由上海人工智能實驗室、清華MARS Lab、華為技術有限公司、商湯科技有限公司、中國惠普有限公司等合作伙伴聯合主辦。本賽事旨在深入探討自動駕駛感知決策系統面臨的任務和挑戰，為全球參賽者提供展示技術與創新的舞臺。本次大賽共設四個賽道，集結10萬美元獎金池，熱忱歡迎自動駕駛領域的學術界及產業界人士積極參與。

近年來，自動駕駛技術發展迅速，對于尖端算法的要求已進入新階段——將場景識別成細粒度感知結果，將車道識別為中心線，在車道和交通元素之間構建拓撲關系。未來，自動駕駛算法將有賴于感知與決策的緊密結合。本次大賽共設置4個賽道：“OpenLane拓撲關系挑戰賽”“在線高精地圖構建挑戰賽”“三維占據柵格預測挑戰賽”和“nuPlan規劃挑戰賽”，邀請全球自動駕駛領域研究者共同探討應對新的任務與挑戰。為方便參賽者，主辦方為每個賽道提供了輕量可用的初始模型，此外還提供了多模態多任務通用大模型InternImage （https://github.com/OpenGVLab/InternImage）作為三個賽道的基礎網絡，具體代碼和參數請密切留意各賽道的 GitHub 倉庫。

【賽道介紹】

賽道1：OpenLane拓撲關系挑戰賽

Road Genome-?數據集是由上海人工智能實驗室聯合華為諾亞方舟實驗室推出的新一代自動駕駛場景結構的感知和推理基準。該數據集面向的不是傳統的車道線檢測任務，而是專注于抽象的車道概念識別，并在車道和交通元素之間構建拓撲關系，以便于更直接地為下游的行為預測和路徑規劃模塊提供道路結構參考約束。

比賽任務：要求參賽者通過主辦方給定的覆蓋整個全景視野的多視圖圖像，提供車道和交通要素的感知結果，同時還需提供車道之間以及車道與交通要素之間的拓撲關系。

? 數據量：約150G

? 參考訓練時間：1-2天（8卡3090）

? Baseline（基礎版）：https://github.com/OpenDriveLab/OpenLane-V2

? Baseline（進階版，InternImage）：https://github.com/OpenGVLab/InternImage

OpenLane拓撲關系示例

賽道2：在線高精地圖構建挑戰賽

比起傳統的車道線檢測，采用矢量化折線來定義各種地圖元素能夠更精確地表示復雜的道路結構。基于車載傳感器數據，動態構建具有豐富語義的局部高精地圖，從而進一步幫助多種下游自動駕駛任務推進。

比賽任務：要求參賽模型基于多視圖圖像構建出局部高精地圖，并提交矢量化輸出。評價指標是基于車道分隔線、道路邊界和人行橫道三個類別的mAP指標。

? 數據量：約200G

? 參考訓練時間：1-2天（8卡3090）

? Baseline（基礎版）：https://github.com/Tsinghua-MARS-Lab/Online-HD-Map-Construction-CVPR2023

? Baseline（進階版，InternImage）：https://github.com/OpenGVLab/InternImage

在線高精地圖構建示例

賽道3：三維占據柵格預測挑戰賽

在數據標注及訓練過程中，3D邊界框往往不足以描述一般物體，受機器人學概念的啟發，可將感知表征描述成對柵格化三維空間的占據情況預測。這一想法在CES 2023和Tesla AI Day 2022上也得到印證。與以三維框為中心的感知表征不同，占據柵格享有描述任意形狀實體的靈活性。

比賽任務：要求參賽者根據主辦方提供的大規模三維占據柵格數據集，以及既定覆蓋360度視角的多相機圖像輸入，預測出整個場景的柵格化三維空間中每個體素的語義狀態。

? 數據量：約30G

? 參考訓練時間：1-2天（8卡3090）

? Baseline（基礎版）：https://github.com/CVPR2023-Occupancy-Prediction-Challenge/CVPR2023-Occupancy-Prediction-Challenge

? Baseline（進階版，InternImage）：https://github.com/OpenGVLab/InternImage

三維占據柵格預測示例

賽道4：nuPlan規劃挑戰賽

為了驗證越來越多基于機器學習的運動規劃模塊的有效性，nuPlan提供了一個大規模帶有閉環設置的運動規劃訓練測試框架。現有公開的軌跡預測基準側重于短期運動預測，并僅限于開環評估。本次nuPlan挑戰賽的關注焦點是，在現實駕駛場景中使用多種性能指標閉環地評估運動規劃系統。挑戰賽分為開環、閉環（無反應智能體）和閉環（有反應智能體）三種復雜模式。

比賽任務：要求參賽者使用俯視圖下交通參與者（車輛、自行車等）和靜態障礙物的語義表示，規劃車輛在特定時間范圍內的未來軌跡。

? 數據量：約1T

? 參考訓練時間：3-4天（8卡3090）

? Baseline：https://github.com/motional/nuplan-devkit

nuPlan規劃示例

【賽程安排】

*各賽道相關數據訪問、評估等內容請參考挑戰賽官網https://opendrivelab.com/AD23Challenge.html。

【大賽獎勵】

本次比賽總獎金池達10萬美元。根據得分，每個賽道決出前兩名或三名優勝團隊，此外，還將根據創新型分別評出創新獎一名。獲獎團隊除可獲豐厚獎金，還將受邀參加CVPR 2023 Workshop: End-to-End Autonomous Driving - Emerging Tasks and Challenges 的頒獎典禮并進行演講。

分賽道獎金池（單位：美元）