MetaDAT: 通过元预训练和数据自适应测试时更新实现可泛化的轨迹预测
计算机视觉与模式识别
2026-03-11 v1
摘要
现有的轨迹预测方法在测试时面临分布迁移时表现显著下降。虽然探索了测试时训练技术以实现适应性，但当前方法依赖于缺乏在线学习灵活性的离线预训练预测器。此外，它们依赖于不适应测试数据特定特征的固定在线模型更新规则。为此，我们首先提出了一个元学习框架，直接优化预测器以实现快速且准确的在线适应，该框架在预训练期间对模拟的测试时适应任务进行双层优化。进一步地，在测试时，我们引入一种数据自适应模型更新机制，该机制根据在线部分导数和硬样本选择动态调整预定义的学习率和更新频率。该机制使在线学习率适应测试数据，并聚焦于信息性硬样本以提高效率。在nuScenes、Lyft和Waymo等各种具有挑战性的跨数据集分布迁移场景上进行实验。结果表明，我们的方法在轨迹预测方面实现了优于现有测试时训练方法的优异适应精度。此外，我们的方法在次优学习率和高FPS需求下也表现出色，显示出其鲁棒性和实用性。
引用
@article{arxiv.2603.09419,
title = {MetaDAT: Generalizable Trajectory Prediction via Meta Pre-training and Data-Adaptive Test-Time Updating},
author = {Yuning Wang and Pu Zhang and Yuan He and Ke Wang and Jianru Xue},
journal= {arXiv preprint arXiv:2603.09419},
year = {2026}
}
备注
ICRA 2026