في السنوات الأخيرة، شهدت تكنولوجيا القيادة الذاتية تحولات جذرية، حيث انتقل المطورون من نماذج متفرقة تتطلب الإدراك والتنبؤ والتخطيط إلى نماذج متكاملة (End-to-End). إذ تقوم هذه النماذج بربط إدخالات المستشعرات مباشرةً بالتحكم في المركبة، بينما يتم تعزيز العملية بمهام مساعدة تشمل الكشف الثلاثي الأبعاد (3D Detection) وتنبؤ الحركة (Motion Forecasting). ومع ذلك، كانت هناك مشكلة كبيرة في اختلاف تنسيقات البيانات ونقاط القياس لكل قاعدة بيانات، مما جعل من الصعب إجراء تجارب متعددة على قواعد بيانات مختلفة.

للقضاء على هذا التحدي، تم تقديم StandardE2E، وهو إطار موحد يعمل على تبسيط عملية معالجة البيانات لأغراض القيادة الذاتية. يقدم StandardE2E ثلاثة مزايا رئيسية: أولاً، توحيد معالجة البيانات لكل قاعدة على شكل مخطط بيانات مشترك. ثانياً، دمج عدة قواعد بيانات في محمل بيانات PyTorch واحد لتسهيل التدريب المسبق عبر قواعد البيانات، والمراقبة للمهام المساعدة، وتصفية السيناريوهات. ثالثاً، يسهل الإطار إضافة قواعد بيانات جديدة عبر عملية بسيطة تتمثل في الخرائط المدروسة للبيانات، مما يحافظ على استمرارية سلسلة العمليات.

يدعم الإطار في البداية ست قواعد بيانات رئيسية: قاعدة بيانات Waymo End-to-End، وWaymo Perception، وArgoverse 2 Sensor، وArgoverse 2 LiDAR، وNAVSIM (OpenScene-v1.1)، وWayveScenes101. كما تم إصدار StandardE2E كحزمة مفتوحة المصدر تحت اسم standard-e2e في GitHub، مما يتيح للباحثين والمطورين الاستفادة منه بحرية.