Curb Your Attention: 用于自动驾驶鲁棒轨迹预测的因果注意力门控
机器人学
2026-05-19 v2 机器学习
统计方法学
摘要
自动驾驶中的轨迹预测模型容易受到非因果智能体扰动的影响，这些智能体的行为不应影响自车的决策。此类扰动可能导致对其他智能体轨迹的错误预测，从而可能危及自车决策过程的安全性和效率。受这一挑战的驱动，我们提出了因果轨迹预测（CRiTIC），一种新颖的模型，它利用因果发现网络在过去时间步的窗口上识别智能体间的因果关系。为了整合发现的因果关系，我们提出了一种新颖的因果注意力门控机制，以在所提出的基于Transformer的架构中选择性地过滤信息。我们在两个自动驾驶基准数据集上进行了大量实验，以评估我们的模型对非因果扰动的鲁棒性及其泛化能力。结果表明，预测的鲁棒性可以提高高达54%，而不会显著损害预测精度。最后，我们展示了所提出模型的卓越领域泛化能力，在跨领域性能上实现了高达29%的提升。这些结果凸显了我们的模型在多样化自动驾驶领域中增强鲁棒性和泛化能力的潜力。更多细节可在我们的项目页面找到：https://ehsan-ami.github.io/critic。
引用
@article{arxiv.2410.07191,
title = {Curb Your Attention: Causal Attention Gating for Robust Trajectory Prediction in Autonomous Driving},
author = {Ehsan Ahmadi and Ray Mercurius and Soheil Alizadeh and Kasra Rezaee and Amir Rasouli},
journal= {arXiv preprint arXiv:2410.07191},
year = {2026}
}
备注
Accepted ICRA 2025