TIER IV 開源 METEOR：八鏡頭單網路在 Jetson Orin 同時完成感知與路徑規劃

日本自動駕駛公司 TIER IV 公開 METEOR，一套面向 L2++ 研究的多任務端到端模型。它接收八路環景相機、相機標定與車速，不依賴高精地圖；ResNet-34／FPN 提取影像特徵後，以深度引導的逆透視映射投影到 800×500、每格 0.2 公尺的 BEV 特徵，再由多個任務頭輸出車道分割、深度、2D／3D 偵測、占用與流量、交通號誌、風險場、其他交通參與者預測，以及三條帶信心值的自車路徑。規則式安全檢查另在神經網路之外執行。

公開模型只有 54M 參數，卷積主幹採 2:4 結構化稀疏，規劃分支維持稠密。團隊提供 PyTorch 檢查點、opset 17 ONNX、TensorRT Python／C++ 執行環境及六段匿名示範場景。官方量測顯示，八鏡頭一幀在 Jetson AGX Orin 上以 INT8、CUDA Graph 和零拷貝輸入推論，中位延遲約 67 至 70 毫秒；模型卡同時提醒 TensorRT 引擎需依 GPU 架構與版本在本機重建。

這次發布的另一個實驗重點是開發流程。訓練標籤全由 CoMET 教師集合從相機、LiDAR 與定位資料生成，代理再負責寫程式、訓練、失敗分析、量化、硬體剖析和候選版本回滾。人類仍負責提出目標與審查結果，因此「零人寫碼」不等於沒有人工決策或安全責任。LiDAR 用於產生訓練監督，標準部署輸入仍為相機。

程式庫也揭露一個重要失敗：資料快取錯誤曾讓端到端訓練長期收到全零的歷史特徵，恢復真實歷史後，既有權重的路徑表現反而惡化 33% 至 38%。因此目前 ONNX 把時間記憶完全移除，實際上是單幀模型，與架構圖中的時間融合能力有落差。專案尚未提供公共基準、封閉迴路模擬或安全案例評估，公開示範資料也沒有真值標籤；工程師現階段較適合把它視為可重現的邊緣部署基線，而非可直接上路的駕駛系統。