面向异构交通场景图的语义聚类与相似性搜索探索
机器学习
2025-07-08 v1
摘要
基于场景的测试是全面验证与确认自动驾驶车辆(AVs)不可或缺的手段。然而,以可扩展的、可能无监督的方式,寻找一个可管理且有限、却仍具代表性的场景子集,是出了名的难题。我们的工作旨在奠定基石,以促进样本高效的测试,同时仍能捕捉相关运行设计域(ODD)的多样性,并特别兼顾“长尾”现象。为此,我们首先提出一种表达力强且灵活的异构时空图模型来表示交通场景。借助图神经网络(GNNs)的最新进展,我们进而提出一种自监督方法,用于学习场景图的通用嵌入空间,从而支持聚类与相似性搜索。具体而言,我们实现了对比学习与基于自助法的方法,并评估了它们对场景空间进行划分的适用性。在 nuPlan 数据集上的实验证实,即便没有离散类别标签,该模型仍能捕捉语义,从而以有意义的方式对相关场景进行分组。不同的场景类型呈现为不同的簇。我们的结果表明,如何将可变长度的交通场景压缩为单一向量表示,从而实现对不同场景类别代表性候选的近邻检索。值得注意的是,这一过程无需人工标注,也不偏向于诸如临界性之类的显式目标。最终,我们的方法可作为可扩展场景选择的基础,进一步提升仿真中 AVs 测试的效率与稳健性。
引用
@article{arxiv.2507.05086,
title = {Exploring Semantic Clustering and Similarity Search for Heterogeneous Traffic Scenario Graph},
author = {Ferdinand Mütsch and Maximilian Zipfl and Nikolai Polley and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2507.05086},
year = {2025}
}
备注
accepted in the IEEE IAVVC 2025 conference