TurboTrain：面向多智能体感知与预测的高效均衡多任务学习
计算机视觉与模式识别
2025-08-11 v2
摘要
端到端训练多智能体系统在提升多任务性能方面具有显著优势。然而，此类模型的训练仍然具有挑战性，需要大量的手动设计和监控。在本工作中，我们引入 TurboTrain，这是一个用于多智能体感知与预测的新型高效训练框架。TurboTrain 包含两个关键组件：基于掩码重建学习的多智能体时空预训练方案，以及基于梯度冲突抑制的均衡多任务学习策略。通过简化训练流程，该框架消除了对手动设计和调优复杂多阶段训练管道的需求，显著缩短训练时间并提升性能。我们在真实世界的合作驾驶数据集 V2XPnP-Seq 上对 TurboTrain 进行评估，证明其进一步提升了最先进的多智能体感知与预测模型的性能。我们的结果表明，预训练有效地捕获了多智能体时空特征，显著受益于下游任务。此外，提出的均衡多任务学习策略增强了检测与预测能力。
引用
@article{arxiv.2508.04682,
title = {TurboTrain: Towards Efficient and Balanced Multi-Task Learning for Multi-Agent Perception and Prediction},
author = {Zewei Zhou and Seth Z. Zhao and Tianhui Cai and Zhiyu Huang and Bolei Zhou and Jiaqi Ma},
journal= {arXiv preprint arXiv:2508.04682},
year = {2025}
}
备注
ICCV 2025