Occupancy Flow Fields是一种新的运动预测表示方法，使用深度学习生成，并引入流跟踪损失来建立一致性。该方法在占用预测、运动估计和代理重构等方面表现出有效性。此外，该方法还解决了轨迹集和占用格之间的局限性，并在大规模自动驾驶数据集上展示了优于现有技术的结果。

本研究使用语言嵌入进行自动驾驶数据集的主动学习，重点关注新颖性检测。通过对比语言-图像预训练嵌入对数据集进行聚类实验，有效地分离出新颖场景。进一步提出了生成用于区分新颖场景与其他场景的文本解释的方法，并讨论了安全接管、数据整理和多任务主动学习的潜在应用。

在自动驾驶数据集中，主动学习策略可以解决数据不平衡、冗余和高维数据的挑战。信息熵查询降低注释成本，提高模型性能。在nuScenes数据集上实验表明，信息熵查询在大多数案例中表现优异，特别是在减少多数类和少数类之间的性能差距方面。类别特定的分析揭示了有效配置注释资源的重要性。发现表明，在资源受限的环境中，信息熵查询是一种有前途的策略。