轨迹预测器的在线聚合

轨迹预测是从历史数据预测未来智能体行为的任务，对安全高效的自动驾驶至关重要。已提出多种方法（如基于规则或使用不同架构和数据集的学习方法），但这些方法的性能往往对部署环境敏感（例如，设计规则是否能良好建模环境，或测试数据是否与训练数据匹配）。基于在线凸优化原理但超越凸性和平稳性，我们提出一种轻量级且对模型agnostic 的方法，用于在线聚合不同轨迹预测器。我们提出将每个单独的轨迹预测器视为一个"专家”，并维护一个概率向量来混合不同专家的输出。关键技术方法在于利用在线数据——即在下一个时间步披露的真实智能体行为——形成一个凸或非凸、平稳或动态的损失函数，其梯度引导概率向量趋向选择最佳的专家混合方案。我们将此方法应用于聚合在 NUSCENES 数据集上在不同城市训练的轨迹预测器，表明该方法在精度、召回率等指标上与任何单个模型相当，甚至更好，即便是在部署到分布外的 LYFT 数据集时也能表现良好。