一种面向自动驾驶的新型多层任务中心与数据质量框架
计算机视觉与模式识别
2025-06-24 v1 人工智能
摘要
下一代自动驾驶汽车（AV）嵌入了频繁的实时决策功能，将严重依赖大量多源和多模态数据。在现实环境中，由于意外的环境因素或传感器问题，不同来源和模态的数据质量（DQ）通常会发生变化。然而，AV领域的研究人员和从业者都过分关注模型/算法，而低估了DQ。为了满足下一代AV在功能性、效率和可信度方面的需求，本文提出了一种新颖的以任务为中心的数据质量花瓶框架，该框架由五层组成：数据层、DQ层、任务层、应用层和目标层。所提出的框架旨在将DQ与任务需求和性能目标映射起来。为了说明，一个研究nuScenes数据集冗余性的案例研究表明，部分移除多源图像数据的冗余性可以提高YOLOv8目标检测任务的性能。对图像和LiDAR多模态数据的分析进一步揭示了现有的冗余DQ问题。本文在AV中DQ、任务编排和面向性能的系统开发的交叉领域，提出了一系列关键但尚未探索的挑战。预计将引导AV社区构建更具适应性、可解释性和弹性的AV，使其能够智能地响应动态环境和异构数据流。代码、数据和实现细节公开于：https://anonymous.4open.science/r/dq4av-framework/README.md。
引用
@article{arxiv.2506.17346,
title = {A Novel Multi-layer Task-centric and Data Quality Framework for Autonomous Driving},
author = {Yuhan Zhou and Haihua Chen and Kewei Sha},
journal= {arXiv preprint arXiv:2506.17346},
year = {2025}
}