ActiveAD: Planning-Oriented Active Learning for End-to-End Autonomous Driving

最近，端到端可微学习成为自动驾驶（AD）领域的一个重要范式。其中一个主要瓶颈在于对高质量标记数据（例如3D边界框和语义分割）的贪婪需求，这些数据手动注释的成本极高。由于AD中样本内的行为往往遵循长尾分布，这种困难更加明显。换句话说，收集的数据中有很大一部分是琐碎的（例如只是在直路上简单行驶），只有少数情况是安全关键的。在本文中，我们探讨了一个实际上非常重要但尚未充分研究的问题，即如何实现端到端AD的样本和标签效率。具体而言，我们设计了一个以规划为导向的主动学习方法，根据所提出的规划路线的多样性和有用性标准逐步注释收集的原始数据的一部分。实证表明，我们的规划导向方法可以大幅超越通用的主动学习方法。值得注意的是，我们的方法仅使用了30％的nuScenes数据，就实现了与最先进的端到端AD方法相当的性能。我们希望我们的工作可以激发未来的研究者从数据中心的角度探索端到端AD，而不仅仅是方法学上的努力。

如何实现端到端自动驾驶的样本和标签效率？

设计一个基于规划的主动学习方法，根据规划路线的多样性和有用性逐步注释采集的原始数据的一部分。

论文的方法在数据效率方面表现出色，仅使用30％的nuScenes数据就能达到与最先进的端到端自动驾驶方法相当的性能。实验数据集和代码已经开源。

最近的相关研究包括使用深度学习进行自动驾驶的各种方法，以及主动学习在计算机视觉中的应用。