基于流生成模型的车辆轨迹预测中的关键示例挖掘
原文中文，约400字，阅读约需1分钟。发表于：。该研究解决了复杂驾驶场景中车辆轨迹预测精度不一的问题。论文提出了一种关键示例挖掘方法，通过数据驱动的方式评估轨迹的稀有性，有效识别难以预测的数据子集。实验结果表明，挖掘出的关键示例在不同预测模型中显著提高了预测误差，反映出这些示例有助于更好地理解和改进预测模型的性能。
研究在自动驾驶中利用轨迹和动态状态信息进行数据筛选，提出轨迹状态聚类和采样方法，降低注释和数据成本，同时保持模型性能。通过轨迹信息选择数据，促进训练数据多样性。使用nuScenes数据集验证方法在轨迹预测任务中的有效性，甚至在50%数据成本下达到接近基线的误差。结果表明，初期采样典型数据有助于解决冷启动问题，随着训练池增大，引入新颖性更有益。
