不确定性应用系列论文：Failure Detection for Motion Prediction of Autonomous Driving: An Uncertainty Perspective

不确定性应用的最新工作<持续更新>: Autonomous Vehicles \
注1:本文系“不确定性相关论文速递”系列之一,致力于简洁清晰完整地介绍、解读不确定性领域最新的顶会/顶刊论文(包括但不限 CVPR, ICLR, ECCV, ICCV, ICML, AAAI, TPAMI,TIP,Arxiv 等)。\
本次介绍的论文是:ICRA 2023 | 基于不确定性视角的自动驾驶运动预测失败检测\
文章DOI: 10.1109/ICME52507.2022.9786250

1 引言

自动驾驶车辆的运动预测是关键的技术之一,它可以预测其他道路用户的未来行为,为自动驾驶的决策计划提供依据。然而,现有的运动预测方法还存在一定的局限性,无法对所有情况进行准确预测。这就需要进行失败检测,即判断预测结果是否可靠,从而指导自动驾驶系统采取安全操作。

本文从不确定性建模的视角出发,提出了一种运动预测的失败检测方法。该方法充分利用预测时的表征不确定性和数据不确定性,可以有效判断预测结果的可靠性。这为后续的决策系统提供了重要参考,具有重要意义。

2 动机

自动驾驶系统的目标是让车辆能够安全可靠地自主运行。为实现这一目标,环境感知和运动预测是关键技术。环境感知可以获取车辆周围的信息,而运动预测试图根据这些信息来预测其他道路用户的未来行为。

然而,预测永远存在不确定性。有如下原因:

• 数据不确定性:输入数据存在噪声或丢失信息

• 模型不确定性:预测模型对部分情况学习不足

• 随机性:人的行为本质上具有随机性

传统方法通常只给出单一预测结果,而无法表达预测的不确定性。这就需要进行失败检测,判断某一次预测是否可靠,以便自动驾驶系统作出响应。

本文目标是提出一种可检测运动预测失败的方法,为自动驾驶的安全性提供保障。

3 方法

本方法通过建模表征不确定性和数据不确定性来检测运动预测的失败。

3.1 表征不确定性

表征不确定性来自模型对部分情况的学习不足。本文采用深度贝叶斯网络来表示这种不确定性。

Network的输出为:

• $$f_{\theta }(x)$$:预测结果

• $${\sigma }^2$$:模型不确定性的方差

损失函数包含回归任务损失和方差的惩罚项:

$$\mathcal{L}(\theta )=\frac{1}{N}\sum _{i=1}^N(\frac{1}{2{\sigma }_i^2}\Vert y_i-f_{\theta }(x_i){\Vert }^2+\log {\sigma }_i)$$

模型通过最小化$\mathcal{L}$来学习降低表征不确定性。

3.2 数据不确定性

数据不确定性来自输入数据的噪声或缺失。本文提出使用**条件式生成对抗网络(cGAN)**来探索和建模这种不确定性。

cGAN包含训练数据$x$和随机噪声$z$,可以生成数据$G(x,z)$,学习输入数据的分布。

Discriminator $D(x,G(x,z))$试图区分真实数据和生成数据。最终$G$可以生成具有不同$z$的多个样本,表示输入$x$的不确定性。

3.3 失败检测

基于上述表征不确定性和数据不确定性,可以检测预测失败:

1. 当表征不确定性高时,说明模型不确定,则判断为失败。

2. 当生成样本预测结果变化很大时,说明输入数据不确定,则判断为失败。

3. 综合两种不确定性进行失败检测。

4 实验和结果

• 数据集:nuScenes预测数据集

• 比较方法:仅表征不确定性和仅数据不确定性

• 评价指标:AUPR

• 结果:本文方法结合两种不确定性,失败检测效果优于仅考虑一种的方法。

• 表明了考虑表征不确定性和数据不确定性的有效性。

5 不足和未来展望

本文也存在一些不足:

• 简单直接地融合两种不确定性,可以探索更复杂的融合方式

• 可以扩展更多不确定性建模的方法

• 模型和算法还可以进一步优化

未来工作可以考虑:

• 在更多场景和数据集上验证方法的有效性

• 与不同的预测模型相结合使用

• 优化不确定性建模和融合的过程

• 探索在线失败检测的方法

6 总结

本文提出了一种运动预测失败检测方法,主要贡献有:

• 基于表征不确定性和数据不确定性检测失败

• 使用贝叶斯深度网络建模表征不确定性

• 使用cGAN探索数据不确定性

• 两者结合实现失败检测,为自动驾驶决策提供支持

• 在公开数据集上验证了方法的有效性

该方法为自动驾驶运动预测错误识别提供了一种新的思路,具有重要意义。后续工作可以在该基础上进行拓展与优化。