La seguridad en la conducción autónoma depende en gran parte de la capacidad de anticipar movimientos en escenas complejas. Para prever estas trayectorias, los modelos actuales requieren grandes volúmenes de datos curados, algo costoso y no siempre reproducible. El novedoso enfoque llamado PPT (Pretraining with Pseudo-labeled Trajectories) busca cambiar el paradigma utilizando trayectorias generadas automáticamente, aprovechando la diversidad y el ruido como señales para mejorar el aprendizaje.
El método PPT prescinde de las rutas tradicionales que buscan datos limpios, singularmente etiquetados, y en su lugar utiliza trayectorias múltiples con etiquetados automáticos, destacando por su facilidad de implementación y capacidad de adaptación a diferentes dominios de conducción. Empleando detectores 3D ya existentes y rastreadores ligeros, genera etiquetas pseudo que abrazan las imperfecciones en lugar de evitarlas, permitiendo así un aprendizaje más robusto.
La implementación sencilla de PPT permite combinar datos de varias fuentes sin necesidad de armonización manual, proporcionando una base amplia y diversa para el pre-entrenamiento. Este método no solo reduce significativamente la dependencia de datos curados, sino que refuerza el rendimiento de los modelos en entornos con escasos datos.
Además, los modelos entrenados con PPT han demostrado capacidades mejoradas para generalizar a nuevos dominios. Las pruebas han mostrado que pueden no solo aprovechar trayectorias etiquetadas, sino también adaptarse a escenarios sin etiquetas preservando su relevancia en condiciones multifacéticas y no distribuidas. PPT demuestra ser una valiosa herramienta en pre-entrenamiento, facilitando a los modelos aprender características generales de previsión a partir de datos ruidosos y no etiquetados, antes de especializarse con datos etiquetados reducidos.
En resumen, PPT ofrece una solución simple, adaptable y altamente eficiente para los desafíos de previsión de movimiento en la conducción autónoma, promoviendo mejoras significativas mediante preentrenamiento en una diversidad de trayectorias automáticas.