SafeAug:基于自然驾驶数据集的安全关键驾驶数据增强
计算机视觉与模式识别
2025-01-07 v1 机器学习
摘要
安全关键驾驶数据对于开发安全可信的自动驾驶算法至关重要。由于自然驾驶数据集中安全关键数据稀缺,现有方法主要采用仿真或人工生成的图像。然而,这些生成图像与自然驾驶图像之间仍存在真实性差距。本文提出一种新颖的框架,用于从自然驾驶数据集中增强安全关键驾驶数据,以解决该问题。在该框架中,我们首先使用 YOLOv5 检测车辆,然后进行深度估计与三维变换,以更好地模拟车辆接近与关键驾驶场景。这使得可以有针对性地修改车辆动力学数据,以反映潜在的危险情形。相比于仿真或人工生成的数据,我们的增强方法能够在最大程度保持图像真实性的前提下生成安全关键驾驶数据。在 KITTI 数据集上的实验表明,基于该增强数据集训练的下游自动驾驶算法,其性能优于包括 SMOGN 与重要性采样在内的基线方法。
引用
@article{arxiv.2501.02143,
title = {SafeAug: Safety-Critical Driving Data Augmentation from Naturalistic Datasets},
author = {Zhaobin Mo and Yunlong Li and Xuan Di},
journal= {arXiv preprint arXiv:2501.02143},
year = {2025}
}