自适应预测集合：提高运动预测准外分布泛化性
机器人学
2024-12-23 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
基于深度学习的轨迹预测模型用于自动驾驶时，常在面对准外分布（OOD）场景时表现不佳，有时甚至优于简单基于规则的模型。为解决这一局限性，我们提出一种新框架——自适应预测集合（Adaptive Prediction Ensemble, APE），该框架集成了深度学习与基于规则的预测专家。我们训练一个在深度学习模型训练过程中同步学习的路由函数，以动态选择最可靠的预测。我们在大规模数据集上进行实验，包括Waymo开放运动数据集（WOMD）和Argoverse，展示了在数据集之间零样本泛化的改进。我们表明该方法优于单个预测模型和其他变体，尤其在长期预测和OD数据比例较高的场景中表现更佳。本工作凸显了混合方法在自动驾驶中稳健和可泛化运动预测方面的潜力。更多细节可在项目页面查阅：https://sites.google.com/view/ape-generalization.
引用
@article{arxiv.2407.09475,
title = {Adaptive Prediction Ensemble: Improving Out-of-Distribution Generalization of Motion Forecasting},
author = {Jinning Li and Jiachen Li and Sangjae Bae and David Isele},
journal= {arXiv preprint arXiv:2407.09475},
year = {2024}
}