SparseDriveV2：端到端自动驾驶所需的只是评分

端到端多模式规划已被广泛采用来对驾驶行为的不确定性进行建模，通常是通过对候选轨迹进行评分并选择最佳轨迹。现有方法通常分为两类：对大量静态轨迹词汇进行评分，或对一小组动态生成的建议进行评分。虽然静态词汇表经常受到动作空间的粗离散化的影响，但动态建议提供了更细粒度的精度，并且在现有基准上显示出更强的经验性能。然而，目前尚不清楚动态生成是否从根本上是必要的，或者静态词汇表在足够密集以覆盖动作空间时是否已经可以实现可比的性能。在这项工作中，我们首先对 Hydra-MDP（一种基于评分的代表性方法）进行了系统的扩展研究，揭示了随着轨迹锚变得更密集，性能持续提高，并且在达到计算约束之前不会表现出饱和。受这一观察的启发，我们提出 SparseDriveV2 通过两项互补的创新来推动基于评分的规划的性能边界：（1）具有分解结构的可扩展词汇表示，将轨迹分解为几何路径和速度分布，从而实现动作空间的组合覆盖；（2）可扩展的评分策略，对路径和速度分布进行粗分解评分，然后对一小组组合轨迹进行细粒度评分。通过结合这两种技术，SparseDriveV2 在 NAVSIM 上实现了 92.0 PDMS 和 90.1 EPDMS，在以轻量级 ResNet-34 作为骨干的 Bench2Drive 上获得了 89.15 的驾驶分数和 70.00 的成功率。代码和模型发布于https://github.com/swc-17/SparseDriveV2。