基于交通发散度量的连续交互行为学习：一种动态梯度场景记忆方法
机器人学
2022-12-22 v1
摘要
开发自动驾驶车辆（AVs）有助于提升智能交通系统（ITS）的道路安全性与交通效率。准确预测交通参与者的轨迹对于 AVs 在交互场景中的决策与运动规划至关重要。近来，基于学习的轨迹预测器在高速公路或城市区域展现了最先进的性能。然而，大多数现有的基于固定数据集训练的基于学习的模型在持续变化的场景中表现可能不佳。具体而言，在学习新场景后，它们可能在已学场景中表现不好。此现象称为“灾难性遗忘”。很少有研究考察连续场景中的轨迹预测，其中可能发生灾难性遗忘。为处理该问题，首先，本文提出一种用于车辆轨迹预测的连续学习（CL）新方法。然后，受脑科学启发，通过利用场景间交通发散度的度量，开发了一种动态记忆机制，以平衡所提 CL 方法的性能与训练效率。最后，使用从不同地点收集的数据集在实验中设计连续训练与测试方法。实验结果表明，所提方法在连续场景中无需重新训练即实现持续的高预测精度，与非 CL 方法相比缓解了灾难性遗忘。所提方法的实现公开于 https://github.com/BIT-Jack/D-GSM
引用
@article{arxiv.2212.11167,
title = {Continual Interactive Behavior Learning With Traffic Divergence Measurement: A Dynamic Gradient Scenario Memory Approach},
author = {Yunlong Lin and Zirui Li and Cheng Gong and Chao Lu and Xinwei Wang and Jianwei Gong},
journal= {arXiv preprint arXiv:2212.11167},
year = {2022}
}