征服幽灵：面向信息可靠性表征与端到端鲁棒导航的关系学习

环境干扰（如传感器数据噪声、多变光照条件、恶劣气象以及外部对抗扰动）在真实自动驾驶应用中不可避免。已有研究与测试表明，它们会严重影响车辆的感知能力与性能，其中主要问题之一是误检，即并不真实存在或出现在错误位置（如不存在的车辆）的幽灵目标。传统导航方法出于安全考虑倾向于避开每一个被检测到的目标，然而避开幽灵目标可能使车辆陷入更危险的境地，例如高速公路上的急刹。考虑到干扰类型多样，从感知层面解决该问题十分困难。一种潜在的方案是通过整个场景中的关系学习来检测幽灵目标，并构建集成的端到端导航系统。我们的底层逻辑是：场景中所有车辆的行为受邻车影响，正常车辆以符合逻辑的方式行为，而幽灵车辆则不然。通过学习周围车辆间的时空关系，为每辆被检测车辆学习出一种信息可靠性表征，进而构建机器人导航网络。与现有工作不同，我们鼓励网络自行学习如何表征可靠性以及如何聚合所有带不确定性的信息，从而提升效率与泛化能力。据我们所知，本文首次提出利用图关系学习在存在幽灵车辆时实现端到端鲁棒导航。在 CARLA 平台上的仿真结果证明了所提方法在多种场景下的可行性与有效性。