自动驾驶中多源多模态数据冗余的建模与度量
计算机视觉与模式识别
2026-03-09 v1
摘要
下一代自动驾驶汽车依赖大量多源多模态(M^2)数据来支持实时决策。在实践中，由于环境条件和传感器限制，不同来源和模态的数据质量会有所变化，然而自动驾驶研究在很大程度上优先考虑算法设计而非数据质量分析。本文聚焦于冗余性，将其作为自动驾驶数据集中一个基本但未被充分探索的数据质量问题。利用nuScenes和Argoverse 2 (AV2)数据集，我们对多源相机数据和多模态图像-激光雷达数据中的冗余性进行建模和度量，并评估移除冗余标签对YOLOv8目标检测任务的影响。实验结果表明，选择性地移除来自具有共享视场的相机的多源图像目标标签中的冗余标签可改善检测性能。在nuScenes中，在三个代表性的重叠区域上，mAP50分别从0.66提升至0.70、从0.64提升至0.67、从0.53提升至0.55，而其他重叠相机对上的检测即使在更强的剪枝下也保持在基线水平。在AV2中，移除了4.1%-8.6%的标签，mAP50保持在0.64基线附近。多模态分析还揭示了图像和激光雷达数据之间存在显著的冗余性。这些发现表明，冗余性是一个可度量且可操作的数据质量因素，对自动驾驶性能有直接影响。本文强调了冗余性作为自动驾驶感知中一个数据质量因素的作用，并激发了从数据为中心的角度评估和改进自动驾驶数据集。代码、数据和实现细节公开于：https://github.com/yhZHOU515/RedundancyAD
引用
@article{arxiv.2603.06544,
title = {Modeling and Measuring Redundancy in Multisource Multimodal Data for Autonomous Driving},
author = {Yuhan Zhou and Mehri Sattari and Haihua Chen and Kewei Sha},
journal= {arXiv preprint arXiv:2603.06544},
year = {2026}
}
备注
This paper has been accepted by the Fourth IEEE International Conference on Mobility: Operations, Services, and Technologies (MOST) 2026