conclusion
The planning performance of existing open-loop autonomous driving models based on nuScenes is highly affected by ego status (velocity, acceleration, yaw angle). With ego status involved, the model’s final predicted trajectories are basically dominated by it, resulting in a diminished use of sensory information.
Methods utilizing ego status are not directly comparable and conclusions should not be drawn from such comparisons
目前存在的开环（端到端）自动驾驶模型的测试performance（数据集为 nuScenes）高度依赖于ego车辆的状态，本文认为，这样的模型不具有比较价值，并且也不应该从这些性能指标的比较中得出一些结论。
experiments
AD-MLP取得了SOTA效果, only utilizes historical trajectories of ego vehicle.
But using the historical trajectory in open-loop autonomous driving is a subject of debate. 在开环测试中，车辆的历史轨迹是ground Truth，不能由模型本身产生，只能在训练中采用历史轨迹训练。
- Go Straight strategy 效果也还可以，这是暴露了nuScenes数据集的缺陷（73.9% of the nuScenes data involve scenarios of driving straightforwardly ），也反应了传统测试指标的缺陷（L2 and Collision rate）
- ID6和ID8比较 existing methods can only match the performance of Ego-MLP when the ego vehicle’s status is incorporated into the planner . Ego status 狠重要，仅仅使用ego status 就能实现 SOTA。
- ID6和ID12比较两者差不多，即使 BEV-Planner++ didn’t require any human-labeled data, including bounding boxes, tracking IDs, HD maps, etc.
在VAD-Base中扰动Camera senor 对测试性能影响不大，甚至直接把照片全变白，性能也降低不多，而对ego status产生扰动时，性能变化很大，这说明 ego status 确实在模型中处于 dominant 地位。
- 在直行场景中，使用了地图感知模块反而会使得性能变差，因为额外的感知信息不会给plan带来好处，反而对路径产生了限制
- 在转弯场景中，使用了地图感知模块会使得性能变好，因为此时场景比较复杂，需要额外的感知信息。
- 由于Nuscenes 73.9%的直行场景，所以感知模块反而会使得性能变差
启发
模型过度依赖于ego status，本质原因在于nuScenes中简单场景（直行）占比太高，导致路径规划倾向于保持原来速度直线行走，自然就依赖于ego status了。
应当设计一种更加复杂的数据集，例如转弯场景占比较高 或者 设计loss函数时 对转弯场景 增加惩罚项（过采样反例）
nuScenes很好反应真实驾驶场景，因为现实中也是直行居多。
这实际上是数据集中潜在分布的类别不平衡问题。
我认为nuscenes数据集的缺陷可以通过精确感知来解决，之所以过分依赖于ego status 是因为感知做的不精确，精确识别转弯场景是关键。