基于图与向量化表示的轨迹预测器泛化性分析

轨迹预测是自动驾驶车辆的基本任务之一。机器学习的最新进展催生了一系列先进的轨迹预测算法。近来，许多研究者证明了使用图神经网络（GNNs）结合向量化表示进行轨迹预测的有效性。然而，这些算法要么很少关注模型跨场景的泛化性，要么简单地假设训练与测试数据遵循相似的统计分布。事实上，当测试场景未知或分布外（OOD）时，由此产生的训练-测试域偏移通常会导致预测性能显著下降，这将影响下游模块并最终导致严重事故。因此，从泛化性角度深入探究预测模型至关重要，这不仅能帮助识别其弱点，也能为改进这些模型提供见解。本文提出一种利用特征归因方法解释黑盒模型的泛化性分析框架。作为案例研究，我们对一种利用向量化表示的最先进基于图的轨迹预测器进行了深入的泛化性分析。结果显示域偏移导致显著性能下降，而特征归因为识别这些问题的潜在原因提供了见解。最后，我们总结了常见的预测挑战，以及训练过程引起的权重偏差如何降低准确性。