ActiveAD: プランニング指向のエンドツーエンド自動運転のためのアクティブラーニング

エンドツーエンドの微分可能な自動運転（AD）学習は最近、重要なパラダイムとなっています。主なボトルネックの一つは、高品質なラベル付きデータ（例：3Dバウンディングボックスやセマンティックセグメンテーション）に対する貪欲な要求であり、これらは手動で注釈を付けるには非常に高価です。この問題は、ADにおけるサンプル内の行動が長尾分布に苦しむことがよくあるため、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（例：単に直線道路を前進するだけ）、安全上重要なケースはごくわずかです。本論文では、エンドツーエンドADに対して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、実際に重要だが未探求の問題を探ります。具体的には、収集された生データの一部に対して、提案された多様性と有用性の基準に従って徐々に注釈を付ける、プランニング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、私たちのプランニング指向のアプローチが一般的なアクティブラーニング手法を大きく上回る可能性があることを示します。特筆すべきは、私たちの手法が最先端のエンドツーエンドAD手法と同等の性能を達成しており、わずか30%のnuScenesデータを使用しています。私たちの研究が、手法の努力に加えてデータ中心の視点からエンドツーエンドADを探る将来の研究にインスピレーションを与えることを願っています。