超越 ADE 和 FDE：面向多智能体自动驾驶场景中安全关键预测的全面评估框架
机器人学
2025-10-14 v1
摘要
当前的自动驾驶预测模型评估方法严重依赖于诸如平均位移误差 (ADE) 和最终位移误差 (FDE) 等简单粗糙的指标。虽然这些指标提供了基本的性能评估，但未能捕捉预测模块在复杂、交互式和安全关键驾驶场景下的细微行为。例如，现有基准未能区分相邻与远距离智能体的影响，也未在不同多智能体相互作用下系统性地测试模型的鲁棒性。本文通过提出一种新型测试框架来评估在多样化场景结构、道路环境、智能体密度和空间分布下的预测性能。通过大量实证分析，我们量化了智能体接近程度对目标轨迹预测的不同影响，并识别出传统指标无法暴露的场景特定失效案例。我们的发现揭示了当前最先进预测模型的关键漏洞，并表明场景感知评估的重要性。所提出的框架为严谨、以安全为导向的预测验证奠定了基础，显著促进了对易出错角落情况的识别，以及面向自动驾驶车辆开发健壮、可验证的预测系统。
引用
@article{arxiv.2510.10086,
title = {Beyond ADE and FDE: A Comprehensive Evaluation Framework for Safety-Critical Prediction in Multi-Agent Autonomous Driving Scenarios},
author = {Feifei Liu and Haozhe Wang and Zejun Wei and Qirong Lu and Yiyang Wen and Xiaoyu Tang and Jingyan Jiang and Zhijian He},
journal= {arXiv preprint arXiv:2510.10086},
year = {2025}
}