用于自动驾驶的弱监督与自监督类别无关运动预测
计算机视觉与模式识别
2025-09-17 v1
摘要
理解动态环境中的运动对于自动驾驶至关重要，从而激发了对类别无关运动预测的研究。在这项工作中，我们研究了基于 LiDAR 点云的弱监督和自监督类别无关运动预测。室外场景通常由移动的前景和静态的背景组成，这使得运动理解可以与场景解析相关联。基于这一观察，我们提出了一种新颖的弱监督范式，用完全或部分标注（1%，0.1%）的前景/背景掩码替代运动标注来进行监督。为此，我们开发了一种弱监督方法，利用前景/背景线索来指导运动预测模型的自监督学习。由于前景运动通常发生在非地面区域，非地面/地面掩码可以作为前景/背景掩码的替代方案，进一步减少标注工作。利用非地面/地面线索，我们提出了两种额外的方法：一种需要更少（0.01%）前景/背景标注的弱监督方法，以及一种无需标注的自监督方法。此外，我们设计了一种鲁棒一致性感知倒角距离损失，它结合了多帧信息和鲁棒惩罚函数，以抑制自监督学习中的离群点。实验表明，我们的弱监督和自监督模型优于现有的自监督模型，并且我们的弱监督模型甚至可以与一些监督模型相媲美。这证明了我们的方法有效地平衡了标注成本与性能。
引用
@article{arxiv.2509.13116,
title = {Weakly and Self-Supervised Class-Agnostic Motion Prediction for Autonomous Driving},
author = {Ruibo Li and Hanyu Shi and Zhe Wang and Guosheng Lin},
journal= {arXiv preprint arXiv:2509.13116},
year = {2025}
}
备注
An extension of our CVPR 2023 paper, "Weakly Supervised Class-Agnostic Motion Prediction for Autonomous Driving," accepted for publication in TPAMI