自动驾驶中受运动启发的无监督感知与预测

现代自动驾驶系统中基于学习的感知与预测模块通常依赖昂贵的人工标注，且被设计为仅感知少数预定义的对象类别。这种闭集范式对于安全关键的自动驾驶任务而言是不够的，因为自动驾驶车辆需要在高度动态的世界中处理任意多种类型的交通参与者及其运动行为。为应对这一困难，本文开创了一个新颖且富有挑战的方向，即训练感知与预测模型在无人工监督的情况下理解开集运动物体。我们提出的框架利用自学习的光流触发自动化的元标注流程以实现自动监督。在 Waymo Open Dataset 上的三维检测实验表明，我们的方法显著优于经典的无监督方法，甚至可与使用有监督场景流的方法相竞争。我们进一步表明，我们的方法在开集三维检测与轨迹预测中生成了极具前景的结果，证实了其在缩小全监督系统安全差距方面的潜力。