面向端到端驾驶数据集的隐藏偏差
计算机视觉与模式识别
2024-12-16 v2 人工智能
机器学习
机器人学
摘要
端到端驾驶系统取得了快速进展，但迄今为止尚未应用于新挑战的 CARLA Leaderboard 2.0。此外，尽管关于端到端架构和训练策略的文献较多，但关于训练数据集影响的研究常被忽视。在本工作中，我们首次尝试在 Leaderboard 2.0 上进行端到端驾驶。我们不关注网络架构，而是系统性地分析训练数据集，获得了新的见解：（1）专家风格显著影响下游策略性能。（2）在复杂数据集中，帧不应基于诸如类别频率等简单标准进行加权。（3）相反，估计某帧是否相对于前几帧改变目标标签，可在不丢失重要信息的前提下减少数据集大小。通过纳入这些发现，我们的模型在 2024 年 CARLA 挑战赛的地图轨道和传感器轨道中分别获得第一和第二名，并在 Bench2Drive 测试路线上取得了新的 SOTA。最后，我们发现当前评估指标存在设计缺陷，提出了未来挑战赛的修改方案。我们的数据集、代码和预训练模型已公开发布于 https://github.com/autonomousvision/carla_garage。
引用
@article{arxiv.2412.09602,
title = {Hidden Biases of End-to-End Driving Datasets},
author = {Julian Zimmerlin and Jens Beißwenger and Bernhard Jaeger and Andreas Geiger and Kashyap Chitta},
journal= {arXiv preprint arXiv:2412.09602},
year = {2024}
}
备注
Technical report for the CVPR 2024 Workshop on Foundation Models for Autonomous Systems. Runner-up of the track 'CARLA Autonomous Driving Challenge' in the 2024 Autonomous Grand Challenge (https://opendrivelab.com/challenge2024/)