基于视觉显著性引导的左侧驾驶自主驾驶域适应
计算机视觉与模式识别
2025-11-04 v1 机器人学
摘要
域适应是自动驾驶模型普遍适应不同道路条件所必需的。本文探讨一种训练方法，用于将PilotNet——一种基于深度学习的端到端模型——适用于左侧驾驶条件，采用真实的澳大利亚高速公路数据。评估了四种训练方法：（1）在美国右侧驾驶数据上训练的基线模型，（2）在翻转美国数据上训练的模型，（3）在美国数据上预训练后在澳大利亚高速公路上微调的模型，（4）在翻转美国数据上预训练后在澳大利亚高速公路上微调的模型。该设置检验了 incorporating 翻转数据是否通过提供初始的左侧驾驶对齐来增强模型适应性。本文比较模型性能，包括方向盘预测准确性和注意力，使用基于视觉显著性的分析来衡量注意力在重要道路区域的转移。结果表明，仅使用翻转数据进行预训练会因特征表示错位而恶化预测稳定性，但随后进行微调可显著提高适应性，导致预测误差降低和对左侧线索的关注度增强。为验证该方法在不同架构中的适用性，对ResNet进行了相同的实验，结果确认了类似的适应趋势。这些发现强调了预处理技术（如翻转数据预训练）以及随后的微调在以最小重新训练需求提高模型适应性方面的重要性。
引用
@article{arxiv.2511.01223,
title = {Saliency-Guided Domain Adaptation for Left-Hand Driving in Autonomous Steering},
author = {Zahra Mehraban and Sebastien Glaser and Michael Milford and Ronald Schroeter},
journal= {arXiv preprint arXiv:2511.01223},
year = {2025}
}