基于动态知识空间的无因果混淆终身学习：面向自动驾驶
机器学习
2026-03-31 v2 人工智能
机器人学
摘要
面向终身学习的端到端自动驾驶系统（E2E-AD）面临灾难性遗忘、跨不同情景知识迁移困难以及不可观测混杂变量与真实驾驶意图之间潜在相关性等挑战。为此，我们提出DeLL（Deconfounded Lifelong Learning）框架，集成Dirichlet过程混合模型（DPMM）与因果推断中的前门调整机制。DPMM用于构建两个动态知识空间：用于聚类显式驾驶行为的轨迹知识空间和用于发现潜在驾驶能力的隐式特征知识空间。利用DPMM的非参数贝叶斯特性，本框架实现知识的自适应扩张和增量更新，无需预先定义簇数，从而缓解灾难性遗忘。同时，前门调整机制利用DPMM导出的知识作为有效的中介变量，以 deconfound潜在的混杂相关性，如由传感器噪声或环境变化引起的相关性，并增强所学表示的因果表达性。此外，我们引入演化轨迹解码器，实现非自回归规划。为评估E2E-AD的终身学习性能，我们提出基于Bench2Drive的新评估方案和指标。广泛的CARLA模拟器评估表明，该框架显著提高了对新驾驶情景的适应性和整体驾驶性能，同时有效保留了以前获取的知识。
引用
@article{arxiv.2603.14354,
title = {Deconfounded Lifelong Learning for Autonomous Driving via Dynamic Knowledge Spaces},
author = {Jiayuan Du and Yuebing Song and Yiming Zhao and Xianghui Pan and Jiawei Lian and Yuchu Lu and Liuyi Wang and Chengju Liu and Qijun Chen},
journal= {arXiv preprint arXiv:2603.14354},
year = {2026}
}