SSL-Lanes：面向自动驾驶运动预测的自监督学习
计算机视觉与模式识别
2022-09-13 v3 人工智能
机器人学
摘要
自监督学习(SSL)是一种新兴技术，已成功用于训练卷积神经网络(CNN)和图神经网络(GNN)，以实现更具可迁移性、泛化性和鲁棒性的表征学习。然而其在自动驾驶运动预测中的潜力却鲜有探索。在本研究中，我们首次系统性地探索并评估了将自监督引入运动预测的方法。我们首先提出研究四种新颖的运动预测自监督学习任务，并在具有挑战性的大规模 Argoverse 数据集上给出理论依据及定量与定性比较。其次，我们指出，我们的基于辅助 SSL 的学习设置不仅在预测精度上优于使用 transformer、复杂融合机制以及精细在线密集目标候选优化算法的预测方法，而且具有更低的推理时间与架构复杂度。最后，我们进行了若干实验以理解 SSL 为何能改善运动预测。代码已开源：\url{https://github.com/AutoVision-cloud/SSL-Lanes}。
引用
@article{arxiv.2206.14116,
title = {SSL-Lanes: Self-Supervised Learning for Motion Forecasting in Autonomous Driving},
author = {Prarthana Bhattacharyya and Chengjie Huang and Krzysztof Czarnecki},
journal= {arXiv preprint arXiv:2206.14116},
year = {2022}
}
备注
Accepted to CoRL-2022