交互合并运动规划：有效利用多样化运动数据集以实现稳健规划

运动规划是自动化机器人驾驶的关键组成部分。虽然已存在各种轨迹数据集，但要有效地将其用于特定领域仍具有挑战性，因为主体交互和环境特征存在差异。传统方法，如域适应或集成学习，利用多个源数据集，但 suffer 从域不平衡、灾难性遗忘和高计算成本。为此，我们提出了 Interaction-Merged Motion Planning（IMMP），一种 novel 方法，通过在适应目标域期间利用在不同域上训练的 parameter checkpoints 来实现。IMMP 遵循两步流程：预合并以捕获主体行为和交互，充分提取源域的多样化信息；随后进行合并，以构建可适应模型，有效地将多样化交互传递到目标域。我们的方法在各种规划基准和模型上进行评估，证明优于传统方法。