May, 2024

自主驾驶中的高效主动学习:基于车辆动力学的场景表示来进行轨迹预测的无视觉感知

TL;DR探索在自动驾驶机器学习任务中利用轨迹和动态状态信息进行高效数据筛选的研究,提出了在主动学习框架中的轨迹状态聚类和采样方法,旨在降低注释和数据成本同时保持模型性能。研究通过利用轨迹信息引导数据选择,在训练数据中促进多样性,证明了方法在轨迹预测任务中的有效性,使用 nuScenes 数据集展示了与随机采样相比在不同数据池大小上的一致性性能提升,甚至在仅使用 50% 的数据成本下达到次基线位移误差。结果表明,在解决 “冷启动问题” 方面,最初采样典型数据有助于,而随着训练池大小的增加,引入新颖性变得更有益处。通过整合使用轨迹状态信息的主动学习,证明了利用低成本数据筛选策略可以实现更高效和稳健的自动驾驶系统。