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

要約

自動運転 (AD) のためのエンドツーエンドの微分可能学習は、最近、顕著なパラダイムとなっています。
主なボトルネックの 1 つは、高品質のラベル付きデータに対する貪欲な欲求にあります。
3D バウンディング ボックスとセマンティック セグメンテーション。手動で注釈を付けるとコストがかかることで有名です。
AD のサンプル内の挙動はロングテール分布の影響を受けることが多いという顕著な事実により、この問題はさらに顕著になります。
言い換えれば、収集されたデータの大部分は些細なものである可能性があり（例えば、単に直線道路を前方に運転しているだけ）、安全性が重要となるケースはほんのわずかです。
この論文では、エンドツーエンド AD のサンプルとラベルの効率をどのように達成するかという、実用上重要であるにもかかわらず十分に検討されていない問題を検討します。
具体的には、ルートを計画するために提案された多様性と有用性の基準に従って、収集された生データの一部に段階的に注釈を付ける計画指向のアクティブラーニング手法を設計します。
経験的に、私たちの計画指向のアプローチは、一般的なアクティブ ラーニング手法を大幅に上回る可能性があることを示しています。
特に、私たちの手法は、わずか 30% の nuScenes データを使用して、最先端のエンドツーエンド AD 手法と同等のパフォーマンスを達成します。
私たちの研究が、方法論の取り組みに加えて、データ中心の観点からエンドツーエンドの AD を探求する将来の研究にインスピレーションを与えることができれば幸いです。

要約(オリジナル)

End-to-end differentiable learning for autonomous driving (AD) has recently become a prominent paradigm. One main bottleneck lies in its voracious appetite for high-quality labeled data e.g. 3D bounding boxes and semantic segmentation, which are notoriously expensive to manually annotate. The difficulty is further pronounced due to the prominent fact that the behaviors within samples in AD often suffer from long tailed distribution. In other words, a large part of collected data can be trivial (e.g. simply driving forward in a straight road) and only a few cases are safety-critical. In this paper, we explore a practically important yet under-explored problem about how to achieve sample and label efficiency for end-to-end AD. Specifically, we design a planning-oriented active learning method which progressively annotates part of collected raw data according to the proposed diversity and usefulness criteria for planning routes. Empirically, we show that our planning-oriented approach could outperform general active learning methods by a large margin. Notably, our method achieves comparable performance with state-of-the-art end-to-end AD methods – by using only 30% nuScenes data. We hope our work could inspire future works to explore end-to-end AD from a data-centric perspective in addition to methodology efforts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google