LongComp：面向鲁棒轨迹预测的长尾组合零样本泛化
机器人学
2025-11-14 v1
摘要
自动驾驶轨迹预测方法必须应对稀有且安全关键的情景，单凭真实数据收集难以应对。为评估此类情形下的鲁棒性，我们提出新的长尾评估设定，通过重新划分数据集创建具挑战性的离群分布 (OOD) 测试集。首先，我们引入一种以安全为导向的情景分解框架，将情景解耦为离散的 ego 与社交背景。基于类似于计算机视觉中组合零样本图像标签的类比，我们保留新颖的背景组合以构建具挑战性的封闭世界和开放世界情景。此过程在 ego 场景下引发 5.0%，在开放世界情景下引发 14.7% 的未来运动预测 OOD 性能差距（相对于分布内性能）。为提高泛化能力，我们将任务模块化门控网络扩展至轨迹预测模型中，开发辅助难度预测头以细化内部表征。我们的策略联合将两种情景下的 OOD 性能差距分别降低至 2.8% 和 11.5%，同时仍提升分布内性能。
引用
@article{arxiv.2511.10411,
title = {LongComp: Long-Tail Compositional Zero-Shot Generalization for Robust Trajectory Prediction},
author = {Benjamin Stoler and Jonathan Francis and Jean Oh},
journal= {arXiv preprint arXiv:2511.10411},
year = {2025}
}
备注
8 pages, 3 figures