May, 2024

RuleFuser：在证据网络中注入规则以实现鲁棒的超出分布轨迹预测

PDF
TL;DR提出了一种称为 RuleFuser 的后验网络受启发的证据框架，结合了神经预测器和传统规则预测器，以在性能和交通规则遵守之间取得平衡。在现实世界的 nuPlan 数据集上展示了该方法的有效性。
neural trajectory predictorsautonomous drivingimitation learningout-of-distribution scenariosrule-based predictors
发现论文，激发创造
  • 多预测器融合：结合基于学习和基于规则的轨迹预测器

    本文介绍了一种称为 MPF 的算法，它通过将遵循基于逻辑的规则的运动规划和基于学习的预测器相结合，在高度交互式交通场景中提高了学习基础预测器的性能。结果显示，在各种指标上，MPF 优于两个独立预测器，并提供最一致的性能。

    Jul, 2023

  • 自主车辆能否识别并适应分布变化？

    本文提出了一种新的方法，名称为稳健仿真规划（RIP），可以检测和适应一些分布的偏移，减少 OOD 场景中的自信和灾难性外推。如果模型的不确定性太高，建议采用反馈机制，同时引入一个自动驾驶汽车新场景基准测试（CARNOVEL）来评估驾驶代理的鲁棒性。

    Jun, 2020

  • 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

  • 基于不确定性的文本可靠分类

    本文针对文本分类任务中的 OOD 检测问题，提出了基于证据不确定性的方法，该方法通过引入辅助的离群样本和伪样本来训练模型，并明确建模了类别概率的不确定性。实验证明，该方法能够轻松部署于传统 RNN 和 Fine-tuned 预训练 transformers，并在 OOD 检测上优于其他方法。

    Jul, 2021

  • 可证明鲁棒性的无需付出昂贵代价的异常检测

    研究使用机器学习技术的安全关键系统需要可靠的不确定性评估。本研究发现，深度神经网络在处理分布外数据时可能会产生过度自信的预测。本研究提出了一种具有保护分布外数据和高准确度的分类器，并提供所有实验代码。

    Jun, 2021

  • 利用驾驶员风险场的关键驾驶行为演示学习

    本研究针对自主车辆计划模块中模仿学习（IL）规划器的样本效率和泛化能力低的问题，提出了基于样条系数参数化和离线专家查询的 IL 模型来提高安全性和训练效率，并通过生成关键场景和使用 DRF 进行连续训练，证明其在资源利用效率上的优越性。

    Oct, 2022

  • 超越马氏距离评分的文本 OOD 检测方法

    该论文介绍了一个新的用于识别分布转移的未监督 OOD 检测器 TRUSTED，它基于变压器架构和数据深度的概念，实现了高效计算和最好的性能，能够有效地提高深度学习在实际应用中对于自然语言处理系统的适用性。

    Nov, 2022

  • CILF: 用于车辆轨迹预测的因果启发式学习框架

    本文提出一种基于因果图和因果启发式学习的框架 (CILF) 来解决自动驾驶车辆轨迹预测中数据分布不匹配的问题，在常见数据集上实验表现良好。

    Jul, 2023

  • 数理推理中的离群检测的轨迹波动

    提出了一种基于轨迹的方法 TV score，通过使用轨迹的波动性进行数学推理中的离群数据检测，实验证明该方法在数学推理场景下优于传统算法，并可扩展到输出空间具有高密度特征的更多应用，如多项选择题。

    May, 2024

  • 贝叶斯不确定性估计在离域物体检测中的应用

    基于预训练网络的提出高斯分布，通过权重参数抽样区分正常数据和超出分布的数据，证明我们的贝叶斯目标检测器在 BDD100k 和 VOC 数据集上的训练，并在 COCO2017 数据集上的评估中通过降低 FPR95 分数最多 8.19％和增加 AUROC 分数最多 13.94％来实现了令人满意的超出分布的辨别性能。

    Oct, 2023