[논문 리뷰] Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning

Fatemeh Cheraghi Pouria, Mahsa Golchoubian외 1명|arXiv (Cornell University)|2026. 03. 11.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

이 논문은 이차 가우시안 궤적 예측기의 신뢰도 수준을 제곱된 마하라노비스 거리의 경험적 분포를 카이제곱 분포와 맞춤으로 보정하는 새로운 손실 함수를 도입하고, 불확실성 인식 MPC 플래너에 통합했을 때 이점이 있음을 보인다.

ABSTRACT

Accurate trajectory prediction is critical for safe autonomous navigation in crowded environments. While many trajectory predictors output Gaussian distributions to represent the multi-modal distribution over future pedestrian positions, the reliability of their confidence levels often remains unaddressed. This limitation can lead to unsafe or overly conservative motion planning when the predictor is integrated with an uncertainty-aware planner. Existing Gaussian trajectory predictors primarily rely on the Negative Log-Likelihood loss, which is prone to predict over- or under-confident distributions, and may compromise downstream planner safety. This paper introduces a novel loss function for calibrating prediction uncertainty which leverages Kernel Density Estimation to estimate the empirical distribution of confidence levels. The proposed formulation enforces consistency with the properties of a Gaussian assumption by explicitly matching the estimated empirical distribution to the Chi-squared distribution. To ensure accurate mean prediction, a Mean Squared Error term is also incorporated in the final loss formulation. Experimental results on real-world trajectory datasets show that our method significantly improves the reliability of confidence levels predicted by different State-Of-The-Art Gaussian trajectory predictors. We also demonstrate the importance of providing planners with reliable probabilistic insights (i.e. calibrated confidence levels) for collision-free navigation in complex scenarios. For this purpose, we integrate Gaussian trajectory predictors trained with our loss function with an uncertainty-aware Model Predictive Control on scenarios extracted from real-world datasets, achieving improved planning performance through calibrated confidence levels.

연구 동기 및 목표

• 혼잡한 환경에서 안전한 계획을 위한 확률적 궤적 예측에서 신뢰할 수 있고 보정된 불확실성의 필요성 제시.
• 카이제곱 분포에 대한 분포 매칭을 통해 가우시안 신뢰도 수준 보정을 수행하는 모델-독립적 손실 제안.
• 손실에 평균 제곱 오차 항을 포함시켜 정확한 평균 예측 보장.
• 보정된 예측기를 불확실성 인식 MPC 플래너와 결합하여 실제 데이터 세트에서 보정된 불확실성의 이점을 시연.

제안 방법

• 기존 이차 가우시안 예측기에 있는 NLL 손실을 (i) KDE를 사용하여 제곱 마하라노비스 거리의 경험적 분포를 추정하고 (ii) CDF 기반 손실을 통해 이를 Chi-squared(2) 분포에 맞추는 손실로 대체.
• 보정 항과 평균 오차 항을 결합하여 평균을 정확히 하려는 목표(MSE/MAE 구성).
• 가우시안 커널을 갖는 미분 가능 KDE와 부드러운 softmax-템퍼링된 CDF를 사용하여 미분 가능 보정 손실을 생성.
• 제안된 손실의 모델-독자적 적용 가능성을 보여주기 위해 현 모델 아키텍처를 그대로 유지.
• 현실 세계 시나리오에서의 계획 성능 평가를 위해 보정된 예측기를 불확실성 인식 MPC 프레임워크에 통합.

실험 결과

연구 질문

• RQ1 가우시안 궤적 예측기의 신뢰도 수준 보정이 Chi-squared 분포에 대한 경험적 보정으로 측정될 때 확률적 신뢰도향상으로 이어지는가?
• RQ2 KDE 기반 보정과 평균 예측 항이 평균 불확실성 영역의 신뢰성을 향상시키되 평균 정확도를 해치지 않는가?
• RQ3 보정된 예측기를 불확실성 인식 MPC 플래너와 통합하면 혼잡한 장면에서 안전성과 효율성이 향상되는가?
• RQ4 제안된 손실 모델이 다양한 기본 가우시안 궤도 예측기에 대해 모델-독립적인가?

주요 결과

데이터세트	방법	ADE / FDE	ΔESV1	ΔESV2	ΔESV3	평균 ΔESV
ETH	SLSTM*	1.58 / 2.52	0.110	-0.085	-0.089	0.088
HOTEL	SLSTM*	0.30 / 0.49	0.218	-0.045	-0.056	0.102
ZARA	SLSTM*	0.42 / 0.75	-0.045	0.023	-0.030	0.046
UNIV	SLSTM*	0.77 / 1.43	0.067	0.001	-0.022	0.042
AVE	SLSTM*	0.77 / 1.30	0.088	-0.027	-0.049	0.070

• 제안된 손실은 여러 기-baseline에서 경험적 제곱 마하라노비스 거리와 카이제곱 분포 간의 적합도를 개선한다.
• 제안된 손실로 학습된 모델은 Delta Empirical Sigma 값이 더 낮게 나타나 신뢰도 수준이 더 잘 보정됨을 시사한다.
• 평균 제곱 오차/평균 절대 오차 구성 요소를 포함한 보정 모델이, NLL로 학습된 기준선보다 ADE/FDE가 더 낮고 불확실성도 더 안정적으로 나타난다.
• 불확실성 인식 MPC와의 통합에서 보정된 예측기가 실제 세계와 유사한 시나리오에서 성공률을 높이고 충돌/타임아웃 비율을 낮춘다.
• 이 접근법은 모델-독립적이며 VLSTM, SLSTM, Social-STGCNN, DSTIGCN 등 다양한 아키텍처에서 보정 기능을 향상시킨다.