# Wspólne uczenie percepcji, predykcji i planowania

EN: **Joint perception, prediction and planning** · id `planningoriented` · aliases: planning-oriented autonomous driving, UniAD, VAD, modular end-to-end, differentiable modular stack

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [Autonomiczna jazda](https://aiatlasgraph.com/t/autodriving.md) › [Jazda end-to-end](https://aiatlasgraph.com/t/e2edriving.md) › Wspólne uczenie percepcji, predykcji i planowania

## Description

- PL: Architektury end-to-end z jawnymi etapami (śledzenie, mapa, predykcja, zajętość, plan) połączonymi zapytaniami i uczonymi wspólnie pod planowanie.
- EN: End-to-end architectures with explicit stages (tracking, mapping, prediction, occupancy, planning) linked by queries and trained jointly for planning.

## In one sentence

- PL: Jedna sieć, w której rozpoznawanie, przewidywanie i planowanie są osobnymi etapami, ale uczonymi razem pod jeden cel: dobrą jazdę.
- EN: One network in which recognising, predicting and planning are separate stages, yet trained together for one aim: driving well.

## Problem it solves

- PL: Moduły trenowane osobno dobrze wykonują swoje zadania, ale niekoniecznie to, co najbardziej potrzebne do bezpiecznej decyzji.
- EN: Modules trained separately do their own jobs well, but not necessarily what matters most for a safe decision.

## What it does

- PL: Jak zespół, w którym obserwator, analityk i kierowca mówią wspólnym językiem, ale każdy ma też własne zadanie kontrolne.
- EN: Like a team whose observer, analyst and driver share one language while each still has a supervised role.

## Everyday example

- PL: Auto poświęca mniej uwagi autom zaparkowanym za płotem, a więcej pieszemu, który może wejść mu przed maskę.
- EN: The car pays less attention to cars parked behind a fence and more to a pedestrian who might step in front of it.

## This concerns you if you…

- PL: chcesz zrozumieć kompromis między modułami a jedną siecią
- PL: budujesz systemy złożone z wielu modeli
- PL: chcesz zachować wgląd w decyzje sieci
- EN: want to understand the trade-off between modules and one network
- EN: build systems made of many models
- EN: want to keep insight into a network's decisions

## Keywords

UniAD · VAD · SparseDrive · ST-P3 · query-based architecture · nuScenes planning · NAVSIM

## How it works

- PL: Każdy etap ma własną głowicę i nadzór, ale przekazuje dalej wyuczone zapytania zamiast twardych wyników. Strata planowania płynie wstecz przez cały łańcuch, więc wcześniejsze etapy uczą się tego, co ważne dla decyzji.
- EN: Each stage has its own head and supervision but passes learned queries rather than hard outputs downstream. The planning loss flows back through the whole chain, so earlier stages learn what matters for the decision.

## Limits

- PL: Wymaga kosztownych etykiet dla każdego etapu i dużej mocy obliczeniowej. Na niezależnym benchmarku prostsze modele dorównały takiej architekturze, więc przewaga złożoności nie jest przesądzona.
- EN: It needs costly labels for every stage and much compute. On an independent benchmark simpler models matched such an architecture, so the benefit of complexity is not settled.

## Key terms

- PL: **głowica zadania**: Część sieci odpowiedzialna za jedno zadanie, np. mapę.
- PL: **nadzór pośredni**: Etykiety dla etapów pośrednich, nie tylko dla końcowego planu.
- PL: **zapytania zadań**: Wektory przekazujące informację między etapami jednej sieci.
- EN: **task head**: The part of a network responsible for one task, such as the map.
- EN: **intermediate supervision**: Labels for intermediate stages, not just the final plan.
- EN: **task queries**: Vectors passing information between stages of one network.

## Know first

- [Widok z lotu ptaka z wielu kamer (BEV) (Bird's-eye-view perception from multi-camera images)](https://aiatlasgraph.com/t/bevperception.md)
- [Śledzenie obiektów w wideo (Multi-object tracking)](https://aiatlasgraph.com/t/objecttracking.md)

## Sources

- [Planning-oriented Autonomous Driving (UniAD)](<https://arxiv.org/abs/2212.10156>) `uniad-2022` · by Yihan Hu, Jiazhi Yang, Li Chen, Keyu Li, Chonghao Sima, Xizhou Zhu i in. (16 autorów)
- [NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking](<https://arxiv.org/abs/2406.15349>) `navsim-2024` · by Daniel Dauner, Marcel Hallgarten, Tianyu Li, Xinshuo Weng, Zhiyu Huang, Zetong Yang i in. (12 autorów)

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/planningoriented · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30