[論文レビュー] Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning

Fatemeh Cheraghi Pouria, Mahsa Golchoubian+1 more|arXiv (Cornell University)|Mar 11, 2026

Autonomous Vehicle Technology and Safety被引用数 0

ひとこと要約

この論文は、共分散二変量ガウス軌道予測子の信頼区間を、平方マハラノビス距離の経験分布をカイ二乗分布に一致させることで調整する新規ロス関数を導入し、不確実性を考慮したMPCプランナーと統合した際の利点を示す。

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.

研究の動機と目的

• 混雑環境での安全な計画のために、確率的軌道予測における信頼できる校正不確実性の必要性を動機づける。
• カイ二乗分布への分布整合を介してガウス信頼区間の校正を強制するモデルアグノスティックなロスを提案する。
• ロスに平均二乗誤差項を含めて平均予測の正確性を確保する。
• 校正された予測子を不確実性認識型MPCプランナーと統合し、実世界データセットで校正不確実性の利点を示す。

提案手法

• 既存の二変量ガウス予測子のNLLロスを以下のロスに置換する：(i) KDEを用いて平方マハラノビス距離の経験分布を推定、(ii) それをChi-squared(2)分布にCDFベースのロスで一致させる。
• 校正項と平均誤差項を組み合わせて、平均を正確に保つ（MSE/MAE成分）。
• ガウスカーネルを用いた微分可能なKDEとソフトマックス整定CDFを用いて微分可能な校正ロスを生成する。
• 提案ロスのモデル適用性を示すため、モデルアーキテクチャは現状のまま維持する。
• 校正された予測子を不確実性認識型MPCフレームワークに統合し、実世界シナリオでの計画性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 ガウス軌道予測子の信頼レベルの校正は、経験的にカイ二乗分布に対する信頼性（適合度）を改善するか？
• RQ2 KDEベースの校正と平均予測項を組み合わせると、平均精度を損なうことなくより信頼できる不確実性領域を生み出せるか？
• RQ3 校正された予測子を不確実性認識型MPCプランナーと統合することで、混雑した場面で安全性と効率が向上するか？
• RQ4 提案ロスは、異なるベースラインのガウス軌道予測子に対してアプリケーションモデルに依存しないか？

主な発見

Dataset	Method	ADE / FDE	ΔESV1	ΔESV2	ΔESV3	Average 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

• 提案ロスは、複数のベースラインに対して経験的平方マハラノビス距離とカイ二乗分布の適合を改善する。
• 提案ロスで学習したモデルはDelta Empirical Sigma値が低く、信頼レベルの較正が良好であることを示す。
• 平均予測の精度を犠牲にせず、NLLで学習したベースラインよりADE/FDEが低く、より信頼できる不確実性を示す。
• 不確実性認識型MPCと組み合わせた場合、現実世界に近いシナリオで成功率が高く、衝突/タイムアウト率が低い。
• アプローチはモデルに依存せず、VLSTM、SLSTM、Social-STGCNN、DSTIGCN など複数のアーキテクチャで較正を改善する。