基于多项式表示提升自动驾驶轨迹预测模型对越域样本的泛化能力
机器学习
2025-01-28 v3 人工智能
摘要
对越域样本的鲁棒性是轨迹预测模型的关键性能指标。然而，当前的模型在单一竞赛数据集上的内域性能（In-Distribution, ID）驱动着最新技术（SotA）模型的开发和排名。我们提出一种越域测试协议，使跨两大规模运动数据集的数据集和预测任务保持一致。我们引入一种基于多项式表示的新型预测算法，用于智能体轨迹和道路几何，在模型的输入和输出两侧均采用该表示。该方法在模型规模、训练成本和推理时间方面都大幅降低，实现了接近SotA的ID测试性能，并在越域测试中显著提升了鲁棒性。在我们的越域测试协议下，我们进一步研究了两种SotA模型的增强策略及其对模型泛化能力的影响。我们强调ID与越域性能之间的差异，建议将越域测试纳入轨迹预测模型的评估标准。
引用
@article{arxiv.2407.13431,
title = {Improving Out-of-Distribution Generalization of Trajectory Prediction for Autonomous Driving via Polynomial Representations},
author = {Yue Yao and Shengchao Yan and Daniel Goehring and Wolfram Burgard and Joerg Reichardt},
journal= {arXiv preprint arXiv:2407.13431},
year = {2025}
}