清华&南洋理工 | 交通环境如何定量地影响自动驾驶预测？

作者 | 王汝嘉  编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/600021249

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【轨迹预测】技术交流群

论文：https://arxiv.org/ftp/arxiv/papers/2301/2301.04414.pdf

作者单位：清华智能汽车设计与安全研究院、北京理工大学、新加坡南洋理工大学

论文思路：

准确的轨迹预测是复杂交通环境下安全高效自动驾驶的关键。近年来，人工智能在提高预测精度方面显示出强大的能力。然而，其不可解释性和不确定性的特点使得明确地确定交通环境对预测的影响具有挑战性，对安全关键决策提出了重大挑战。针对这些挑战，本研究提出了一个轨迹预测框架，该框架具有认知不确定性估计能力，在面对不可预见或未知场景时输出高不确定性。利用该框架分析了环境对预测算法性能的影响。在分析中，交通环境分别从场景特征和移动两个方面考虑，其中特征分为目标Agent的运动特征、周围交通参与者的特征和其他特征。此外，还进行了特征相关性和重要性分析，研究了上述特征对预测误差和认知不确定性的影响。在此基础上，利用多个交叉数据集进行了CrossDataSet案例研究，研究了真实世界中不可避免的分布移动对轨迹预测的影响。结果表明，基于深度集成的方法在提高预测鲁棒性和估计认知不确定性方面具有优势。通过特征相关性和重要性分析，得到了一致的结论，包括目标Agent的运动学特征对预测误差和认知不确定性有较强的影响。此外，还分析了分布位移导致的预测失败和基于深度集成的方法的潜力。

主要贡献：

• 论证了提出的基于深度集成的轨迹预测框架在提高预测算法鲁棒性和估计认知不确定性方面的潜力；

• 对于轨迹预测任务，提取交通环境的关键特征，提出了特征相关性分析和特征重要性分析方法，以获得交通环境与轨迹预测算法性能之间的关系 ；

• 研究了不同交汇数据集之间的分布移动和由此导致的轨迹预测退化。分析了多数据集的特点及其预测难易程度，证明了深度集成有助于提高轨迹预测对跨数据集评估的鲁棒性 。

网络设计

图 2. 基于认识不确定性估计的轨迹预测框架（基于深度集成的方法）。

图 3. 从一个TA的X米内的TPS的冲突度计算示意图。

图 4. 其他提取的场景特征的说明。

跨不同交汇数据集的预测

在分析过程中，主要研究了以下因素：

• 1）分布移动导致的轨迹预测性能下降：结合前面得到的不同数据集统计特征的差异，分析了交通环境变化对预测算法的影响。

• 2）深度集成对不同数据集预测鲁棒性的影响：分析了深度集成对预测精度的提高和估计的认知不确定性对分布移动的敏感性；

• 3）不同交汇数据集对轨迹预测的有效性和复杂性：通过综合多组结果，以不同交汇数据集为训练集，以不同交汇数据集为测试集，对模型性能进行评估。

实验结果：

图 1. 说明了交通环境对轨迹预测算法性能的影响。交通环境数据包括各种TA的状态、其周围TP的状态以及其他上下文信息，这些信息可能会对预测产生不同的影响。此外，时间和地点的变化会导致分布偏移，这可能会进一步降低预测性能。本研究着重于提取这些因素并分析其对预测性能的影响。

图 6. 预测模型性能与情景特征相关性的比较

图 7. 基于随机森林回归的特征重要度比较

图 10. 研究了不同交通规则遵从度下的轨迹预测误差和认知不确定性。

图 11. 不同位置的轨迹预测误差和认知不确定性的结果；1：驶出路口；2：在空隙中；3：在第一个人行横道；4：路口内；5：在最后一个人行横道；6：驶出十字路口。

图 12. 不同交集数据集的分布比较。

图 13. 交叉数据集误差和不确定性矩阵:(a)ADE1是通过评估集合模型中的一个得到的误差；(b)ADE是基于深度集合模型的预测误差；(c)APE也和基于深度集合的模型相关。每个矩阵的第i行和第j列表示在交点i的训练子集上训练模型后，在交点j的测试子集上评估模型所得到的结果。

图 14. 预测算法在不同数据集上的综合性能。(a)所有训练模型在不同测试子集上的预测误差比较；(b)在所有测试子集上评估在不同训练子集上训练的模型的结果。

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

添加汽车人助理微信邀请入群

备注：学校/公司+方向+昵称