基于因果的时序域泛化用于车辆意图预测
机器学习
2021-12-06 v1 机器人学
机器学习
摘要
准确预测交通参与者的可能行为是自动驾驶车辆的一项基本能力。由于自动驾驶车辆需在动态变化的环境中行驶，期望其无论身处何地、遭遇何种驾驶情形都能做出准确预测。因此，当自动驾驶车辆部署于真实世界时，对未知域的泛化能力对预测模型至关重要。本文旨在解决车辆意图预测任务的域泛化问题，并提出一种基于因果的时序域泛化（CTSDG）模型。我们为车辆意图预测任务构建结构因果模型，以学习输入驾驶数据的不变表示用于域泛化。我们进一步将循环潜变量模型集成到结构因果模型中，以更好地从时序输入数据捕捉时间潜依赖。我们通过真实世界驾驶数据评估了方法的有效性。我们表明，与其他 SOTA 域泛化和行为预测方法相比，所提方法在预测精度上具有一致提升。
引用
@article{arxiv.2112.02093,
title = {Causal-based Time Series Domain Generalization for Vehicle Intention Prediction},
author = {Yeping Hu and Xiaogang Jia and Masayoshi Tomizuka and Wei Zhan},
journal= {arXiv preprint arXiv:2112.02093},
year = {2021}
}
备注
Accepted by NeurIPS 2021 Workshop on Distribution Shifts