面向自动驾驶中异常场景、互动与行为的专家集成

随着自动驾驶车辆进入公共道路，安全性在近乎无限的驾驶情境中成为大规模采用完全自动驾驶的主要关切之一。检测运营设计域之外的异常情境的能力是自动驾驶汽车中的关键组件，使我们能够减轻异常自身行为的影响，实现可信赖的驾驶系统。由于复杂和交互情境带来的挑战，基于鸷象视角的异常检测仍是一个具有挑战性的问题。我们对常见的路边异常模式进行了全面分析，提出了三个无监督的异常检测专家：一个聚焦于帧级外观的场景专家，用于检测异常场景和意外场景运动；一个建模两个路参与者之间正常相对运动的互动专家，当异常互动出现时发出警报；以及一个监控单个对象异常行为的行为专家，通过未来轨迹预测实现。为结合所有模块的优势，我们提出一种使用卡尔曼滤波的专家集成（Xen），其中最终异常得分被吸收为一个状态，观测值由专家生成。我们的实验采用新颖的评估方案，演示了优于先前方法的优异异常检测性能，并表明该框架在大规模路边异常数据集上使用无监督学习进行异常类型分类具有潜力。