无视觉感知的轨迹预测：以自主驾驶车辆动力学作为场景表示进行高效主动学习
机器学习
2024-05-21 v2 人工智能
计算机视觉与模式识别
机器人学
摘要
本研究探讨了如何利用轨迹信息和动态状态信息在自主驾驶机器学习任务中实现高效的数据 curated。我们提出了对轨迹-状态进行聚类和主动学习框架下的数据抽样策略，旨在在保持模型性能的前提下减少标注和数据成本。我们的方法利用轨迹信息引导数据选择，促进训练数据的多样性。我们在使用 nuScenes 数据集进行轨迹预测任务上展示了方法的有效性，显示在不同数据池规模下相对于随机抽样都能实现持续的性能提升，甚至在仅采用 50% 数据成本的情况下即可达到亚基准位移误差。我们的结果表明，最初采样典型数据有助于克服“冷启动问题”，而随着训练池规模的增加，引入新颖性变得更加有益。通过集成基于轨迹-状态信息的主动学习，我们展示了使用低成本数据 curated 策略可以实现更高效和更稳健的自主驾驶系统是可能且实际的。
引用
@article{arxiv.2405.09049,
title = {Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving},
author = {Ross Greer and Mohan Trivedi},
journal= {arXiv preprint arXiv:2405.09049},
year = {2024}
}