CILF：用于分布外车辆轨迹预测的因果启发的学框架
机器学习
2023-07-13 v1 人工智能
摘要
轨迹预测对自动驾驶车辆至关重要。大多数现有方法倾向于对历史轨迹（输入）与未来轨迹（输出）之间的相关性进行建模。由于相关性仅是对现实的表层描述，这些方法严重依赖独立同分布（i.i.d.）假设，并对分布外数据表现出高度的敏感性。为解决该问题，我们提出一种分布外因果图（OOD-CG），其通过三个纠缠的潜在特征显式定义数据的底层因果结构：1）域不变因果特征（IC），2）域可变因果特征（VC），以及3）域可变非因果特征（VN）。而这些特征受到混杂因子（C）和域选择器（D）的混淆。为利用因果特征进行预测，我们提出一种因果启发的学习框架（CILF），其包含三个步骤：1）通过不变性损失提取域不变因果特征，2）通过域对比学习提取域可变特征，3）通过鼓励因果充分性来分离域可变因果与非因果特征。我们在主流数据集NGSIM和INTERACTION上的不同车辆轨迹预测模型中评估了CILF的性能。实验显示CILF在域泛化上取得了有前景的提升。
引用
@article{arxiv.2307.05624,
title = {CILF:Causality Inspired Learning Framework for Out-of-Distribution Vehicle Trajectory Prediction},
author = {Shengyi Li and Qifan Xue and Yezhuo Zhang and Xuanpeng Li},
journal= {arXiv preprint arXiv:2307.05624},
year = {2023}
}