通过自适应元学习扩展行为预测的部署范围

基于学习的行为预测方法正日益部署于现实世界的自主系统中，例如自动驾驶车辆车队，其已在世界主要城市开始商业化运营。然而，尽管取得了进展，绝大多数预测系统仍专用于一组充分探索的地理区域或运行设计域，这使其向其他城市、国家或大陆部署变得复杂。为此，我们提出一种将行为预测模型高效适应新环境的新方法。我们的方法利用元学习（具体为贝叶斯回归）的最新进展，通过自适应层增强现有行为预测模型，该层支持经由离线微调、在线自适应或二者兼有的高效域迁移。跨多个真实世界数据集的实验表明，我们的方法能高效适应多种未见环境。