[论文解读] Uncertainty-Aware Driver Trajectory Prediction at Urban Intersections

Xin Huang, Stephen G. McGill+3 more|arXiv (Cornell University)|Jan 16, 2019

Autonomous Vehicle Technology and Safety参考文献 29被引用 11

一句话总结

本文提出了一种兼顾置信度与不确定性的轨迹预测框架，结合变分深度神经网络与基于物理的里程计预测器，并通过学习的置信度估计器实现动态选择。通过根据实时置信度分数选择更可靠的预测器，该方法相比基于物理的模型将预测误差降低了25%，并在3秒预测时域内以82%的准确率识别出不确定情形。

ABSTRACT

Predicting the motion of a driver's vehicle is crucial for advanced driving systems, enabling detection of potential risks towards shared control between the driver and automation systems. In this paper, we propose a variational neural network approach that predicts future driver trajectory distributions for the vehicle based on multiple sensors. Our predictor generates both a conditional variational distribution of future trajectories, as well as a confidence estimate for different time horizons. Our approach allows us to handle inherently uncertain situations, and reason about information gain from each input, as well as combine our model with additional predictors, creating a mixture of experts. We show how to augment the variational predictor with a physics-based predictor, and based on their confidence estimations, improve overall system performance. The resulting combined model is aware of the uncertainty associated with its predictions, which can help the vehicle autonomy to make decisions with more confidence. The model is validated on real-world urban driving data collected in multiple locations. This validation demonstrates that our approach improves the prediction error of a physics-based model by 25% while successfully identifying the uncertain cases with 82% accuracy.

研究动机与目标

• 为解决在城市交叉路口因多种可能的驾驶操作而带来的高不确定性轨迹预测挑战。
• 通过在决策过程中引入不确定性估计，提升安全关键型共享控制自动驾驶中的预测准确性。
• 开发一种置信度估计器，以量化不同轨迹预测器（如DNN与物理模型）在不同时间时域内的可靠性。
• 基于学习到的置信度，实现在专家预测器（变分DNN与里程计模型）之间的动态选择，从而提升整体预测鲁棒性。
• 在真实世界的城市驾驶数据上验证系统，展示在复杂交叉路口场景中提升的预测准确率与不确定性感知能力。

提出的方法

• 变分神经网络处理多模态传感器输入（如速度、加速度），生成未来轨迹的条件变分分布。
• 单独训练一个深度神经网络作为置信度估计器，以预测每个候选预测器（变分DNN与里程计模型）在不同未来时间时域内的可靠性。
• 混合专家框架在每个时间步选择置信度估计分数最高的预测结果（来自两个预测器）。
• 置信度估计器通过预测器之间的真实误差差异进行训练，使其能够学习判断哪种模型在何时更准确。
• 系统通过测量在两种预测器均超过2.54米误差阈值的案例比例来量化不确定性，将此类情况定义为“不确定”情形。
• 性能在0.1至3秒的预测时域内进行评估，每个时间间隔均报告误差与不确定性指标。

实验结果

研究问题

• RQ1 如何有效建模城市交叉路口驾驶员行为中的固有不确定性？
• RQ2 学习到的置信度估计器能否可靠识别出在轨迹预测中深度神经网络或基于物理的模型更准确的时刻？
• RQ3 通过置信度分数结合多个预测器，在多大程度上能提升预测准确率与不确定性感知能力？
• RQ4 预测不确定性如何随时间演变？系统能否可靠地发出高不确定性情形的预警以支持更安全的决策？
• RQ5 系统能否在复杂驾驶场景中降低预测误差，同时保持对不确定预测的高可靠性识别能力？

主要发现

• 混合专家预测器相比基于物理的里程计模型将预测误差降低了25%，相比仅使用变分DNN降低了23%。
• 置信度估计器在所有测试样本中75%的时间正确识别出表现更优的预测器。
• 系统准确识别出82%的不确定情形——即两种预测器误差均超过2.54米的情况——显著降低了灾难性误预测的风险。
• 置信度估计器仅在18%的不确定情形中低估了不确定性，表明其在预警高风险预测方面具有强可靠性。
• 预测不确定性在1.4秒后显著增加，超过2.5秒时不确定情形数量迅速上升。
• 系统在其不确定性估计上保持了高置信度，超过2.5秒时仅10%的不确定情形被低估。