Feb, 2024
面向可解释、安全的自动驾驶：利用语义嵌入进行新颖性识别和主动学习的框架及真实世界数据集的实验分析
Towards Explainable, Safe Autonomous Driving with Language Embeddings for Novelty Identification and Active Learning: Framework and Experimental Analysis with Real-World Data Sets
Ross Greer, Mohan Trivedi
TL;DR本研究探讨了在自动驾驶数据集中使用语言嵌入进行主动学习的集成，重点关注新颖性检测。提出的方法使用基于语言的表示来识别新颖场景，强调安全接管响应和主动学习的双重目的。通过使用对比语言 - 图像预训练（CLIP）嵌入对数据集进行聚类实验来检测新颖性。研究发现，该算法有效地从两个真实世界驾驶数据集（一个车载和一个基础设施搭载）的子集集合中分离出新颖场景。我们进一步提出了生成用于区分被分类为新颖的场景与数据池中其他场景的元素的文本解释的方法，并提供了从聚类结果中的定性示例。我们的结果证明了使用以语言驱动的嵌入进行新颖元素识别和数据解释生成的有效性，并进一步讨论了安全接管、数据整理和多任务主动学习的潜在应用。