轨迹预测中的梯度基准分布迁移检测
机器学习
2026-04-15 v1
摘要
轨迹预测模型常因训练与测试条件之间的分布迁移而在实际自动驾驶中失败。这种分布迁移——无论是行为迁移还是环境迁移——都构成严重风险，可能导致模型在不熟悉情境中作出错误预测。我们提出一种自监督方法，通过在事后方式训练一个解码器，以预测观察轨迹后半部分的自监督任务。该解码器最终层梯度的 L2 范数定义用于识别分布迁移。该方法一方面不影响轨迹预测模型，确保不干扰原始预测性能；另一方面在 Shifts 和 Argoverse 数据集上显著提升了分布迁移检测效果。此外，我们展示该方法还可用于 Highway 模拟器中深度 Q 网络运动规划器的碰撞早期检测。源代码已公开于 https://github.com/Michedev/forecasting-the-past。
引用
@article{arxiv.2604.12425,
title = {Forecasting the Past: Gradient-Based Distribution Shift Detection in Trajectory Prediction},
author = {Michele De Vita and Julian Wiederer and Vasileios Belagiannis},
journal= {arXiv preprint arXiv:2604.12425},
year = {2026}
}
备注
Accepted at CVPRW SAIAD 2026