ActiveAD：面向规划的主动学习用于端到端自动驾驶

Mar, 2024

ActiveAD：面向规划的主动学习用于端到端自动驾驶

ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving

Han Lu, Xiaosong Jia, Yichen Xie, Wenlong Liao, Xiaokang Yang...

TL;DR通过规划导向的主动学习方法，本研究探索了如何在自动驾驶中实现样本和标注的高效利用，实验证明该方法在性能上远超过一般的主动学习方法，并且仅使用了 30% 的 nuScenes 数据就取得了与最先进的端到端自动驾驶方法相媲美的性能，希望本研究能激发未来从数据为中心的角度探索端到端自动驾驶的相关研究。

Abstract

end-to-end differentiable learning for autonomous driving (AD) has recently become a prominent paradigm. One main bottleneck lies in its voracious appetite for high-quality labeled data e.g. 3D bounding boxes and

end-to-end differentiable learning autonomous driving active learning sample efficiency label efficiency

发现论文，激发创造

可伸缩的物体检测主动学习

本研究描述了一个可扩展的主动学习系统，旨在改善在自动驾驶中监督学习的数据效率，主要围绕深度神经网络、有监督学习、主动学习、自动驾驶和数据效率展开，同时探讨了一些挑战及其解决方法，并简要描述了未来发展方向。

Apr, 2020

GenAD: 生成式端到端自动驾驶

提出了一个新的端到端自动驾驶范式，自动驾驶的关键在于预测自车和周围环境随着时间的演变，通过生成建模问题通过 GenAD 框架，模型了自动驾驶问题，并在广泛使用的 nuScenes 基准测试中取得了高效的最新成果。

Feb, 2024

大数据驱动的安全自动驾驶中使用主动学习的原因、时间和方法：一项实证研究

在自动驾驶数据集中，采用主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。我们展示了使用信息熵查询来选择信息丰富的样本，旨在降低注释成本和提高模型性能的有效性。我们在 nuScenes 数据集上使用 BEVFusion 模型进行了实验，将主动学习与随机抽样进行比较，并证明信息熵查询在大多数案例中表现优异。该方法在减少多数类和少数类之间的性能差距方面特别有效。类别特定的分析揭示了对有限数据预算进行注释资源的有效配置，强调选择多样性和信息丰富的数据用于模型训练的重要性。我们的发现表明，在资源受限的环境中，信息熵查询是选择增强模型学习的数据的一种有前途的策略。

Jan, 2024

GAD - 基于生成学习的高清地图无驾驶

提出一种基于深度学习的方法，将预测、决策和规划模块融合起来，以克服自动驾驶系统中基于规则的方法在真实世界应用中的不足，特别是在城市场景中。所提出的 DNN 模型仅经过 10 小时的人工驾驶数据训练，并且支持市场上所有的批量生产 ADAS 功能。在此论文中，展示了该方法在不对车辆的传感器设置和计算平台进行任何修改的情况下，通过部署到集约的测试车辆上，展示了其可行性、可用性和商业潜力。

May, 2024

无需昂贵模块化和 3D 手动标注的端到端自动驾驶

我们提出了 UAD，一种基于视觉的端到端自动驾驶 (E2EAD) 方法，在 nuScenes 中实现了最佳的开环评估性能，同时在 CARLA 中显示出强大的闭环驾驶质量。

Jun, 2024

基于 2D 物体边界框的路径规划

基于视觉为中心的自动驾驶是一种有前景的替代方法，该研究提出了一种路径规划方法，通过在城市驾驶场景中使用由高清地图数据和环绕摄像机捕获的图像生成的二维边界框，通过图神经网络和 Transformer 实现局部嵌入和全局嵌入来获得最佳路径规划信息。与现有的基于视觉为中心的方法相比，该模型在 nuPlan 规划任务中表现具有竞争力。

Feb, 2024

自主驾驶模拟中的主动数据采集

本文提出了一种主动数据收集策略来改善自主驾驶算法中需要的数据集质量问题，实验结果表明该策略可以显著降低标注成本和数据集大小，提高数据集质量，从而提高自主驾驶系统的性能。

Jun, 2023

面向分布感知的自主驾驶安全目标预测和符合模型规划

本文提出了一种基于模块化架构的学车任务分解方法，在障碍感知、目标预测和规划方面均取得了优秀的方法，并在 CARLA 模拟器上实现了最新的优秀结果。

Dec, 2022

VADv2: 基于概率规划的端到端矢量化自动驾驶

通过大规模驾驶示范学习人类驾驶行为模型，提出基于概率规划的 VADv2 端到端驾驶模型，解决不确定性问题，在 CARLA Town05 基准测试中表现优异，在没有基于规则的封装的情况下稳定运行。

Feb, 2024

深度目标检测主动学习

本研究结合活性学习和增量学习的方法，提出一种基于不确定度的适用于大多数对象检测器的主动学习度量标准，并探讨在样本选择过程中如何解决类别不平衡问题，通过系统评估在 PASCAL VOC 2012 数据集上，实现对新未标注数据集的持续探索。

Sep, 2018