COTTA: 面向自动驾驶轨迹预测的上下文感知迁移适配
计算机视觉与模式识别
2026-05-28 v2 人工智能
摘要
开发鲁棒的模型以准确预测周围代理的轨迹对自动驾驶安全至关重要。然而，大多数公开数据集（如 Waymo Open Motion Dataset 和 Argoverse）采集于西方道路环境，无法反映其他地区（包括韩国）独特的交通模式、基础设施和驾驶行为。这种领域差异导致在西方数据上训练的最先进模型部署到不同地理区域时性能下降。在本工作中，我们研究了 Query-Centric Trajectory Prediction（QCNet）从美国数据迁移到韩国道路环境时的适应性。使用韩国自动驾驶数据集，我们比较了四种训练策略：零样本迁移、从头训练、全微调以及编码器冻结。实验结果表明，利用预训练知识显著提升了预测性能。具体而言，选择性微调解码器同时冻结编码器在准确性和训练效率之间取得了最佳平衡，相比从头训练将预测误差降低了超过 66%。本研究为在新地理领域部署轨迹预测模型提供了有效的迁移学习策略的实用见解。
引用
@article{arxiv.2604.00402,
title = {COTTA: Context-Aware Transfer Adaptation for Trajectory Prediction in Autonomous Driving},
author = {Seohyoung Park and Jaeyeol Lim and Seoyoung Ju and Kyeonghun Kim and Nam-Joon Kim and Hyuk-Jae Lee},
journal= {arXiv preprint arXiv:2604.00402},
year = {2026}
}
备注
4 pages, 2 figures. Accepted at ICEIC 2026