DTCCL：基于不参与触发的对比持续学习用于自动公交规划员
机器人学
2025-12-23 v1
摘要
自动公交沿固定路线运行，但必须在开放且动态的城市环境中运作。这些路线上的不参与事件往往在地理上集中，通常源于高度互动区域的规划员故障。此类政策级故障难以通过常规模仿学习进行纠正，因为后者容易对稀疏不参与数据过拟合。为解决此问题，本文提出了不参与触发对比持续学习（DTCCL）框架，使自动公交能够通过实际运行改进规划策略。每次不参与事件都会触发云端数据增强，通过扰动周围智能体而保持路线上下文来生成正负样本。对比学习细化策略表征以更好地区分安全与不安全行为，持续更新在云边循环中无需人工监督地应用。城市公交路线上的实验表明，DTCCL相对于直接重新训练提高了48.6%的整体规划性能，验证了其在自动公共交通中可扩展、闭环策略改进方面的有效性。
引用
@article{arxiv.2512.18988,
title = {DTCCL: Disengagement-Triggered Contrastive Continual Learning for Autonomous Bus Planners},
author = {Yanding Yang and Weitao Zhou and Jinhai Wang and Xiaomin Guo and Junze Wen and Xiaolong Liu and Lang Ding and Zheng Fu and Jinyu Miao and Kun Jiang and Diange Yang},
journal= {arXiv preprint arXiv:2512.18988},
year = {2025}
}