面向规划的主动学习：用于端到端自动驾驶的ActiveAD方法
计算机视觉与模式识别
2024-03-06 v1 人工智能
机器人学
摘要
端到端可微学习在自动驾驶领域近期成为热门方法，其主要瓶颈在于对高质量标注数据的强烈需求，如3D边界框和语义分割等，这些标注工作通常费时费力。困难程度因数据中样本行为呈长尾分布而加剧——即大量数据仅包含简单情形（如在直道上直线行驶），而只有少数案例涉及安全关键场景。本文聚焦于如何实现端到端自动驾驶的数据与标签效率。具体设计了一种基于规划导向的主动学习方法，依据所提出的多样性和实用性准则，逐步标注收集的原始数据以规划路线。实验表明，我们的规划导向方法可大幅优于通用主动学习方法。值得注意的是，在仅使用30% nuScenes数据的情况下，本方法即可达到与最新端到端自动驾驶方法相当的性能。我们希望本工作能激发未来从数据中心视角探索端到端自动驾驶的研究。
引用
@article{arxiv.2403.02877,
title = {ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving},
author = {Han Lu and Xiaosong Jia and Yichen Xie and Wenlong Liao and Xiaokang Yang and Junchi Yan},
journal= {arXiv preprint arXiv:2403.02877},
year = {2024}
}