通过回顾性学习：基于误差反馈改进自动驾驶轨迹预测
机器人学
2025-04-21 v1 人工智能
计算机视觉与模式识别
摘要
在自动驾驶中，预测周围车辆的轨迹有助于推理场景动态，并为 ego 车的安全规划提供支持。然而，现有模型将预测视为基于观察信息预测未来轨迹的即时任务。随着时间推移，下一步预测独立于之前的预测，这意味着模型在推理过程中无法纠正其错误，也会重复这些错误。为缓解此问题并更好地利用时序数据，我们提出了一种新的回顾技术。通过在闭环 rollout 期间进行训练，模型学习到利用聚合反馈的能力。给定新的观察后，模型会反思之前的预测并分析其错误，以提高后续预测的质量。因此，模型可以学习在推理期间纠正系统性误差。针对 nuScenes 和 Argoverse 进行的全面实验表明，与不使用回顾的 state-of-the-art baseline 相比，最小平均位移误差降低了最高可达 31.9%。我们进一步通过演示在处理未被检测出的 road-users 场景时，回顾技术展现出更好的鲁棒性。
引用
@article{arxiv.2504.13785,
title = {Learning Through Retrospection: Improving Trajectory Prediction for Automated Driving with Error Feedback},
author = {Steffen Hagedorn and Aron Distelzweig and Marcel Hallgarten and Alexandru P. Condurache},
journal= {arXiv preprint arXiv:2504.13785},
year = {2025}
}