Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
RALAD: Superando la brecha entre el dominio real y el de simulación en la conducción autónoma con aprendizaje aumentado por recuperación
Created by
Haebom
Autor
Jiacheng Zuo, Haibo Hu, Zikang Zhou, Yufei Cui, Ziquan Liu, Jianping Wang, Nan Guan, Jin Wang, Chun Jason Xue
Describir
Para mejorar la robustez de los sistemas de conducción autónoma, los modelos entrenados con conjuntos de datos reales tienen dificultades para adaptarse a nuevos entornos ante situaciones excepcionales, como condiciones climáticas extremas. Dado que es difícil recopilar estas situaciones excepcionales en entornos reales, es necesario utilizar simuladores para la validación. Sin embargo, el elevado coste computacional y la brecha de dominio en la distribución de datos han dificultado la transición fluida entre escenarios de conducción reales y simulados. Para abordar estos problemas, en este artículo proponemos un nuevo marco, Aprendizaje Aumentado por Recuperación para Conducción Autónoma (RALAD), diseñado para reducir la brecha entre entornos reales y simulados a bajo coste. RALAD presenta tres características de diseño clave: adaptación de dominio mediante un método mejorado de transferencia óptima (TO) que considera distancias de imágenes individuales y agrupadas; un marco simple y unificado que se puede aplicar a varios modelos; y una técnica de ajuste fino eficiente que mantiene la robustez a la vez que corrige capas computacionalmente costosas. Los resultados experimentales demuestran que RALAD compensa la degradación del rendimiento en entornos simulados, manteniendo la precisión de los escenarios reales en tres modelos diferentes. Tomando Cross View como ejemplo, en escenarios reales, las métricas mIOU y mAP se mantienen estables antes y después del ajuste de RALAD, mientras que en entornos de simulación, las métricas mIOU y mAP mejoran un 10,30 % y un 12,29 %, respectivamente. Además, el coste de reentrenamiento de nuestro enfoque se reduce aproximadamente un 88,1 %. El código se puede encontrar en https://github.com/JiachengZuo/RALAD.git .
Reducir la brecha entre la realidad y la simulación mediante una adaptación eficiente del dominio utilizando métodos mejorados de transferencia óptima (OT).
◦
Proporciona un marco simple y unificado aplicable a una variedad de modelos.
◦
Permite un ajuste fino eficiente fijando capas computacionalmente costosas.
◦
Consiga un mejor rendimiento (métricas mIOU y mAP mejoradas) y reduzca los costos de reentrenamiento en un entorno de simulación.
◦
Mejora el rendimiento del entorno de simulación sin comprometer el rendimiento en el mundo real.
•
Limitations:
◦
Se requiere mayor investigación para determinar el rendimiento de generalización del método propuesto. Se requieren experimentos exhaustivos en diversos entornos y modelos.
◦
Dado que los resultados corresponden a un simulador y un conjunto de datos específicos, es necesaria una verificación para determinar si pueden generalizarse a otros simuladores o conjuntos de datos.
◦
Es posible que falte una explicación detallada sobre el ajuste de los parámetros del método de Transferencia Óptima (OT).
