Perception Without Vision for Trajectory Prediction: Ego Vehicle Dynamics as Scene Representation for Efficient Active Learning in Autonomous Driving

这项研究探讨了在自动驾驶机器学习任务中使用轨迹和动态状态信息以实现高效数据整理的方法。我们提出了在主动学习框架下的轨迹状态聚类和采样策略，旨在减少注释和数据成本，同时保持模型性能。我们的方法利用轨迹信息来指导数据选择，促进训练数据的多样性。我们使用nuScenes数据集展示了我们的方法在轨迹预测任务上的有效性，表明相对于随机采样，在不同数据池大小下始终有性能提升，并且在数据成本仅为50%时，即可达到低于基准的位移误差。我们的结果表明，采样典型数据最初有助于克服“冷启动问题”，而随着训练池大小的增加，引入新颖性变得更加有益。通过整合轨迹状态通知的主动学习，我们证明了使用低成本数据整理策略可以实现更高效和更健壮的自动驾驶系统。

本研究旨在探索使用轨迹和动态状态信息在自动驾驶机器学习任务中进行高效数据整理的方法。

论文提出了轨迹-状态聚类和采样策略的主动学习框架，利用轨迹信息指导数据选择，促进训练数据的多样性，以降低注释和数据成本，同时保持模型性能。

论文使用nuScenes数据集，展示了我们的方法在轨迹预测任务中的有效性，相比随机采样，在不同数据池大小下表现出稳定的性能提升，甚至在只使用50%的数据成本时就达到了子基准位移误差。实验结果表明，初始采样典型数据有助于克服“冷启动问题”，而随着训练池大小的增加，引入新颖性变得更加有益。通过整合轨迹-状态信息的主动学习，我们证明了使用低成本数据整理策略可以实现更高效和更健壮的自动驾驶系统。

最近的相关研究包括：1. Learning to Cluster for Proposal-Free Instance Segmentation；2. Active Learning for Deep Object Detection；3. Diverse Trajectory Forecasting with Determinantal Point Processes。