论文链接：https://arxiv.org/pdf/2403.02877.pdf
摘要
本文介绍了ActiveAD：端到端自动驾驶中面向规划的主动学习。自动驾驶（AD）的端到端可微分学习近来已成为一种杰出的范式。一个主要瓶颈在于其对高质量标注数据的巨大需求，例如3D边界框和语义分割，这些手动标注的成本非常高昂。由于AD中样本的行为往往存在长尾分布，因此这一痛点更加明显。换而言之，采集到的大部分数据可能是不重要的（例如在笔直的道路上向前行驶），只有少数情况是安全关键的。本文探讨了如何实现端到端AD的样本和标注效率这一实际上重要但未被探索的问题。具体而言，本文设计了一种面向规划的主动学习方法，其根据规划路线的多样性和有用性标准来逐步标注部分采集到的原始数据。本文表明，所提出的面向规划的方法在很大程度上优于一般的主动学习方法。值得注意的是，本文方法仅使用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。本文希望该工作能够激励今后的工作，以从数据为中心的角度来探索端到端AD。
主要贡献
本文的主要贡献总结如下：
1）据我们所知，本文是首篇深入研究E2E-AD的数据问题的论文。本文还提供了一个简单而有效的解决方案，在有限的预算内识别和标注有价值的数据用于规划；
2）本文基于端到端方法的面向规划的思想体系，为规划路线设计了新的特定任务的多样性和不确定性测量；
3）大量的实验和消融研究证明了本文方法的有效性。ActiveAD在很大程度上优于一般的主动学习方法，并且仅使用30%的nuScenes数据就实现了与具有完整标记的SOTA方法相当的性能。
论文图片和表格
总结
为了解决端到端自动驾驶数据标注的高成本和长尾问题，本文率先开发了定制的主动学习方案ActiveAD。ActiveAD基于面向规划的思想体系，引入了新的任务特定的多样性和不确定性度量。大量实验证明了本文方法的有效性，其仅使用30%的数据，就在很大程度上优于一般的主动学习方法，并且实现了与最先进的模型相当的性能。这代表着从以数据为中心的角度对端到端自动驾驶的一次有意义的探索，并且希望本工作能够启发今后的研究和发现。
局限性：作为一种面向规划的主动学习方法，已经在规划指标范围内取得了显著效果。然而，与使用100%的数据相比，所选择的30%的数据在训练模型的感知和预测能力方面仍然远远不够。实验表明，模型感知和预测能力随着数据量的增加而逐渐增强，本文模型仍然没有克服这一瓶颈。尽管如此，在E2E-AD框架内，本文已经有效地识别出有价值的样本，降低了标注成本并且避免了过拟合。
发表回复