面向分布迁移的轨迹预测的共形不确定性量化框架
机器学习
2025-02-05 v4 机器人学
摘要
能够推断目标车辆在线设置下有限未来轨迹及其相关不确定性的轨迹预测模型，对确保自动驾驶车辆运动的安全和鲁棒导航与路径规划至关重要。然而，大多数现有轨迹预测模型既未在训练阶段考虑降低不确定性作为一个目标，也未在推断阶段在可能的分布迁移下提供可靠的不确定性量化。因此，本文提出了面向分布迁移的共形不确定性量化框架CUQDS，以在可能的数据分布迁移下对现有轨迹预测模型的预测轨迹进行不确定性量化，同时在训练阶段考虑提高模型预测准确性和降低估计不确定性。具体而言，CUQDS包括1）一个基于学习的高斯过程回归模块，用于建模基模型（任何现有的轨迹预测或时间序列预测神经网络）的输出分布，并通过额外的损失项降低估计的不确定性；以及2）一个基于统计的共形P控制模块，用于在训练和测试数据之间可能的分布迁移下，对高斯过程回归模块估计的不确定性进行在线校准。
引用
@article{arxiv.2406.12100,
title = {CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction},
author = {Huiqun Huang and Sihong He and Fei Miao},
journal= {arXiv preprint arXiv:2406.12100},
year = {2025}
}
备注
9 pages, 2 figures