研究人员发现，自动驾驶的轨迹预测模型在训练方式和推理使用方式之间存在不匹配。通常，这些模型使用赢者通吃（WTA）损失进行训练，该损失将每个数据点分配给单个模式，但它们通常被建模为高斯混合模型（GMM）。这种差异导致预测模式上的后验概率信息不足，阻碍了有效的模式剪枝。该论文提出了两种事后处理方法：一种是后验加权合并技术，用于合并附近的候选轨迹；另一种是期望最大化（EM）更新，用于将概率质量分布到相邻模式上。这些方法无需重新训练即可应用，可以提高模式后验的有效性和排序，并提高在常用位移指标上的最终预测准确性。 AI
影响 解决了AI预测模型的核心局限性，有望提高自动驾驶系统的准确性和可靠性。
排序理由 该集群包含一篇详细介绍改进AI模型新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
