面向自主车辆轨迹预测的动态感知：自适应多模式超出分布检测

轨迹预测是自主车辆（AVs）安全无缝运行的核心。在部署过程中，预测模型不可避免地会面临训练数据与实际条件之间的分布偏移，其中罕见或欠代表征的交通情景会诱发超出分布（OOD）情况。虽然大多数针对AVs的OOD检测研究集中于计算机视觉任务，如目标检测和分割，但轨迹级别的OOD检测仍大不了解。近期研究将此问题形式化为最快变化检测（QCD）任务，提供了关于检测延迟与误报率之间权衡的正式保证。基于此基础，我们提出一种新框架，引入自适应机制以应对复杂驾驶环境中的鲁棒检测。跨多个真实数据集的经验分析揭示，预测误差——即使在分布内样本上—— exhibit 出随时间演变、数据集特定的模式依赖分布。通过显式建模这些误差模式，我们的方法在检测延迟和误报率方面实现了显著提升。广泛的实验表明，我们的框架在准确性和计算效率方面均显著优于先前的基于不确定性 quantification 和基于视觉的OOD方法，为可靠的驾驶感知自主性提供了实际路径。