途遇 Eloss：一种面向智能驾驶的输入质量敏感度量
人工智能
2023-02-03 v1 机器人学
摘要
随着交通环境日益复杂，智能驾驶中安全感知的重要性不断提升。智能驾驶鲁棒感知的传统方法侧重于使用异常数据训练模型，让深度神经网络决定如何应对异常。然而，这些模型无法平滑适应多样且复杂的真实世界环境。本文提出一种称为 Eloss 的新型度量，并给出一种新颖的训练策略，从异常检测的角度增强感知模型。Eloss 基于对感知模型信息压缩层的解释而设计。具体而言，受通信系统设计的启发，信息压缩网络的信息传输过程有两个期望：信息量平稳变化，且信息熵持续下降。随后可根据上述期望得到 Eloss，引导相关网络参数更新，并产生一种在保持模型性能的同时识别异常的敏感度量。我们的实验表明，面对异常数据时 Eloss 可偏离标准值达 100 倍以上，并对相似但不同类型的异常产生区分性数值，显示了所提方法的有效性。我们的代码可在以下地址获取：（论文录用后提供代码）。
引用
@article{arxiv.2302.00986,
title = {Eloss in the way: A Sensitive Input Quality Metrics for Intelligent Driving},
author = {Haobo Yang and Shiyan Zhang and Zhuoyi Yang and Xinyu Zhang},
journal= {arXiv preprint arXiv:2302.00986},
year = {2023}
}