面向自动驾驶的场景覆盖评估轻量框架——SCOUT
机器人学
2025-10-30 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
评估自动智能体的场景覆盖率是评估其鲁棒性的关键任务，但现有方法依赖昂贵的人类标注或计算密集型的大型视觉语言模型 (Large Vision-Language Models, LVLMs)。这些方法在大规模部署时因成本和效率限制难以实用。为此，我们提出 SCOUT (Scenario Coverage Oversight and Understanding Tool)，一种轻量级代理模型，用于从智能体的潜在传感表征直接预测场景覆盖标签。SCOUT 通过蒸馏过程进行训练，学习近似 LVLM 生成的覆盖标签，从而消除对持续 LVLM 推断或人类标注的需求。利用预计算的感知特征，SCOUT 避免了冗余计算，实现快速且可扩展的场景覆盖估计。我们在大规模真实自动导航情景数据集上进行评估，结果表明该方法在保持高精度的同时显著降低计算成本。我们的实验结果显示，SCOUT 为大规模覆盖分析提供了有效且实用的替代方案。虽然其性能取决于 LVLM 生成训练标签的质量，但 SCOUT 标志着自动化系统场景覆盖监督的重要进展。
引用
@article{arxiv.2510.24949,
title = {SCOUT: A Lightweight Framework for Scenario Coverage Assessment in Autonomous Driving},
author = {Anil Yildiz and Sarah M. Thornton and Carl Hildebrandt and Sreeja Roy-Singh and Mykel J. Kochenderfer},
journal= {arXiv preprint arXiv:2510.24949},
year = {2025}
}