论文链接：https://arxiv.org/pdf/2409.05119
项目主页：https://yininghase.github.io/multiagent-collision-mining/
摘要
本文介绍了通过困难样本挖掘提高非结构化环境中多车导航的性能。当代自动驾驶研究在模拟人类驾驶特征方面展现出巨大的潜力。然而，它们主要服务于具有完善的道路基础设施和健全的交通管理系统的区域。因此，在没有交通信号或者非结构化环境中，这些自动驾驶算法可能会失效。本文提出了一种在非结构化环境中没有交通规则的情况下多车自主导航以靠近预期目的地的策略。
图形神经网络（GNNs）已被证明在多车控制任务中具有良好的实用性。在训练GNNs的不同替代方案中，监督方法已被证明是数据最高效的，尽管其需要真值标签。然而，这些标签可能并不总是可用的，特别是在没有交通法规的非结构化环境中。因此，可能需要一个繁琐的优化过程来确定它们，同时确保车辆能够到达预期的目的地，并且不会与其它车辆或者任何障碍物发生碰撞。因此，为了加快训练过程，必须减少优化时间，并且仅选择那些对训练最有价值的样本进行标记。
本文提出了一种热启动方法，该方法首先使用了在更简单的数据子集上训练的预训练模型。然后对更复杂的场景进行推理，以确定模型面临最大困境的困难样本。这是通过车辆在没有发生碰撞的情况下到达预期目的地所遇到的困难来衡量的。实验结果表明，通过这种方式挖掘困难样本可以将监督所需的训练数据减少10倍。此外，本文还使用更简单的预训练模型的预测结果来初始化优化过程，从而进一步加速1.8倍。
主要贡献
本文的贡献总结如下：
1）本文证明了，挖掘困难样本进行训练比仅通过随机采样选择数据点的方式能够获得更好的整体性能；
2）本文表明，困难样本挖掘需要的训练数据比随机采样少10倍，就能达到同等或者更好的性能；
3）本文使用预训练模型的预测结果作为优化的初始值，将通过运行基于优化的步骤来确定控制标签的时间进一步缩短了1.8倍；
4）本文开源了训练代码和相应的视频。
论文图片和表格
总结
本文演示了如何在没有任何交通管理系统（例如交通信号灯、路标等）的非结构化环境中训练模型来控制多辆汽车。这类似于在没有交通管理系统和道路基础设施的地方驾驶。本文进一步证明了，所提出的负样本挖掘方法将需要标记的样本数量显著减少了10倍。这有助于加快自动驾驶算法在这种非标准化环境中的部署。
发表回复