JiSAM：通过最少的真实数据缓解自动驾驶中的标注负担与边缘案例问题
计算机视觉与模式识别
2026-03-02 v3
摘要
基于深度学习的自动驾驶（AD）感知为安全、环保的交通带来了前景。然而，LiDAR感知中对真实标注数据的过度依赖限制了上路尝试的规模。3D真实世界数据的标注极其耗时耗能，且缺乏罕见交通参与者等边缘案例。相反，在CARLA等仿真器中，生成带有边缘案例的标注LiDAR点云轻而易举。然而，引入合成点云来提升真实感知并非易事。这源于两个挑战：1）仿真数据集的样本效率；2）仿真到真实的差距。为克服这两个挑战，我们提出了一种即插即用的方法JiSAM，即抖动增强（Jittering augmentation）、领域感知骨干网络（domain-aware backbone）和基于记忆的分扇区对齐（memory-based Sectorized AlignMent）。在著名AD数据集NuScenes上的广泛实验中，我们证明JiSAM结合SOTA 3D目标检测器，能够利用仿真数据和仅2.5%可用真实数据的标注，达到与全真实数据训练模型相当的性能。此外，JiSAM在真实训练集中未标注的目标上实现了超过15 mAP的提升。
引用
@article{arxiv.2503.08422,
title = {JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data},
author = {Runjian Chen and Wenqi Shao and Bo Zhang and Shaoshuai Shi and Li Jiang and Ping Luo},
journal= {arXiv preprint arXiv:2503.08422},
year = {2026}
}