面向长尾轨迹预测的预训练模型集成
机器学习
2025-09-18 v1 人工智能
摘要
本工作探索了将集成建模应用于城市环境中车辆轨迹预测的多维回归问题。随着不断涌现的新型大规模无监督预测模型用于自动驾驶，一个重要的开放挑战是如何在不需要昂贵重新训练的情况下结合这些大型模型的优势。我们展示了，或许出乎意料的是，将无监督深度学习模型“开箱即用”（无需重新训练或微调）与简单置信度加权平均方法相结合，可以提升整体预测性能。尽管将轨迹预测模型集成并不直接，但这种简单方法在最佳预测模型之上提升了约 10% 的性能，尤其在长尾指标方面效果显著。我们展示了这种性能提升在 NuScenes 和 Argoverse 数据集上都成立，并且这些改进在整个数据集分布上都有体现。我们的工作代码已开源。
引用
@article{arxiv.2509.13914,
title = {Ensemble of Pre-Trained Models for Long-Tailed Trajectory Prediction},
author = {Divya Thuremella and Yi Yang and Simon Wanna and Lars Kunze and Daniele De Martini},
journal= {arXiv preprint arXiv:2509.13914},
year = {2025}
}
备注
Accepted 2025 IEEE International Conference on Intelligent Transportation Systems (ITSC 2025)