LoRD：适应分布迁移的可微分驾驶策略
机器人学
2025-03-31 v3 人工智能
机器学习
摘要
运营领域之间的分布迁移会严重影响自主驾驶车辆 (SDV) 中学习模型的性能。虽然这是一个已知问题，但以往的工作大多探索了诸如微调等朴素解决方案，主要关注运动预测任务。本文我们探索了针对可微分自主堆栈（包括预测、规划和控制）的新型适应策略，进行闭环评估，并调查常被忽视的灾难性遗忘问题。具体而言，我们引入两种简单且有效的技术：低秩残差解码器 (LoRD) 和多任务微调。通过在两个真实世界自主驾驶数据集 (nuPlan, exiD) 上对三个模型进行实验，我们展示了这些方法的有效性，并突显了开放式和闭式式评估之间存在的显著性能差距。我们的方法在与标准微调相比下将遗忘提高了最高 23.33%，并将闭环 OOD 驾驶得分提高了 9.93%。
引用
@article{arxiv.2410.09681,
title = {LoRD: Adapting Differentiable Driving Policies to Distribution Shifts},
author = {Christopher Diehl and Peter Karkus and Sushant Veer and Marco Pavone and Torsten Bertram},
journal= {arXiv preprint arXiv:2410.09681},
year = {2025}
}
备注
IEEE International Conference on Robotics & Automation, ICRA 2025