Continual Interactive Behavior Learning With Traffic Divergence Measurement (TITS 2024)

1. 文章动机 why :为什么使用持续学习来进行轨迹预测: （思考所提出的问题下文是否解决）
   （a）当测试数据分布和训练数据分布不同时，模型训练出的模型范式在测试数据中效果就会不好 （transfer learning？ 下文需要证明当训练数据分布和测试分布不同时 你使用 CL 训练的效果比别人好）

   （b）AV 的行驶过程会不断的增加数据流 而传统的训练方法需要在这种数据流上重新训练 以保证良好的性能 但该方案计算负担大 数据存储需求 和效率不高 （那么下文需要证明 跟别人比你使用持续学习 计算负担小 效率高）。

   （c）给定一个可能无限的数据流，从一系列部分经验中学习（其中所有数据都无法同时获得）称为持续学习 持续学习 主要解决 灾难性遗忘 当模型学习新任务后对过去任务的精度降低在连续场景中，使用当前场景数据训练的轨迹预测器在学习场景（旧任务）中可能表现不佳，这称为灾难性遗忘。（问题 b）
   从数据方面来看，灾难性遗忘的原因之一是训练数据和测试数据的分布不同。（问题 a）

待续