[论文解读] Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving

Nemanja Djuric, Vladan Radosavljević+6 more|arXiv (Cornell University)|Aug 17, 2018

Autonomous Vehicle Technology and Safety参考文献 51被引用 38

一句话总结

本文提出了一种深度学习方法，通过使用交通场景的栅格化鸟瞰图表示，预测车辆的短期轨迹，同时显式建模不确定性。该方法在真实世界数据上进行训练，实现了准确且校准良好的预测，并在自动驾驶车辆上成功验证，相较于传统的扩展卡尔曼滤波器基线方法，表现出更高的鲁棒性。

ABSTRACT

We address one of the crucial aspects necessary for safe and efficient operations of autonomous vehicles, namely predicting future state of traffic actors in the autonomous vehicle's surroundings. We introduce a deep learning-based approach that takes into account a current world state and produces raster images of each actor's vicinity. The rasters are then used as inputs to deep convolutional models to infer future movement of actors while also accounting for and capturing inherent uncertainty of the prediction task. Extensive experiments on real-world data strongly suggest benefits of the proposed approach. Moreover, following completion of the offline tests the system was successfully tested onboard self-driving vehicles.

研究动机与目标

• 通过准确预测周围交通参与者短期轨迹，提升自动驾驶车辆的安全性和可靠性。
• 通过在预测中同时建模认知不确定性（epistemic uncertainty）和随机不确定性（aleatoric uncertainty），解决交通运动中的固有不确定性。
• 开发一种可扩展的端到端深度学习框架，利用高精地图和传感器数据进行运动预测。
• 通过离线评估和在自动驾驶车辆上的道路测试，在真实世界条件下验证该方法。

提出的方法

• 该方法将周围环境（包括车道、车辆和地图特征）栅格化为每个目标交通参与者感兴趣的鸟瞰图图像。
• 一种深度卷积神经网络（CNN），具体为MobileNetV2，处理栅格化输入，以预测未来轨迹及其相关不确定性。
• 模型输出未来轨迹的点估计值和预测方差，支持不确定性感知的决策制定。
• 通过学习的方差头建模不确定性，使网络能够根据输入上下文估计预测的置信度。
• 该框架在真实世界自动驾驶车辆数据集上进行端到端训练，损失函数同时优化轨迹准确性和不确定性校准。
• 通过遮挡图进行敏感性分析，识别出模型所依赖的关键场景区域，如对向车道、人行横道和邻近车辆。

实验结果

研究问题

• RQ1 深度学习模型如何有效结合场景上下文和不确定性，以提升自动驾驶中短期运动预测的性能？
• RQ2 与原始传感器输入或状态输入相比，栅格化输入表示在多大程度上提升了轨迹预测的准确性？
• RQ3 在复杂动态交通场景中，具备学习不确定性能力的深度学习模型是否能超越传统运动学模型（如UKF）？
• RQ4 该模型在真实世界驾驶条件下（包括模糊操作和多模态行为）的泛化能力如何？

主要发现

• 所提出的模型在所有预测时长下均显著降低了位移误差，平均位移误差相对UKF基线降低了25%。
• 模型表现出良好的不确定性校准性，预测的置信区间与实际误差率高度吻合，表明其不确定性估计可靠。
• 敏感性分析显示，模型聚焦于具有上下文相关性的区域，如对向交通、人行横道和邻近车辆，表现出对安全关键要素的直观关注。
• 模型在行为变化（如转向操作）发生后能快速适应，从转向开始0.5秒内即显著降低预测误差，而UKF则需超过1.5秒才能完成校正。
• 即使转向动作完成后，模型仍能维持低误差水平，而UKF在较长时间内持续产生高误差，表明其具备更优的动态适应能力。
• 该系统在经过充分的离线评估后，成功部署并测试于真实自动驾驶车辆上，证实了其在真实世界中的可行性。