基于可控扩散模型的生成式主动学习用于长尾轨迹预测
计算机视觉与模式识别
2025-07-31 v1
摘要
虽然数据驱动的轨迹预测增强了自动驾驶系统的可靠性，但它仍然难以处理很少观察到的长尾场景。先前的工作通过修改模型架构（例如使用超网络）来解决这个问题。相比之下，我们提出改进训练过程，以在不改变其结构的情况下释放每个模型的潜力。我们引入了用于轨迹预测的生成式主动学习（GALTraj），这是第一种成功将生成式主动学习应用于轨迹预测的方法。它主动识别模型失败的罕见尾样本，并在训练期间使用可控扩散模型增强这些样本。在我们的框架中，生成多样化、真实且保留尾案例特征的场景至关重要。因此，我们设计了一种尾感知生成方法，应用定制的扩散引导来生成既捕捉罕见行为又遵守交通规则的轨迹。与先前仅关注场景多样性的模拟方法不同，GALTraj首次展示了模拟器驱动的增强如何有益于轨迹预测中的长尾学习。在多个轨迹数据集（WOMD、Argoverse2）上使用流行主干网络（QCNet、MTR）进行的实验证实，我们的方法显著提升了尾样本的性能，同时也提高了头样本的准确性。
引用
@article{arxiv.2507.22615,
title = {Generative Active Learning for Long-tail Trajectory Prediction via Controllable Diffusion Model},
author = {Daehee Park and Monu Surana and Pranav Desai and Ashish Mehta and Reuben MV John and Kuk-Jin Yoon},
journal= {arXiv preprint arXiv:2507.22615},
year = {2025}
}
备注
Accepted at ICCV 2025