面向轨迹预测的具潜在动态感知 OOD 监控，具可证明保证
机器人学
2026-03-17 v1
摘要
在安全关键的网络物理系统 (CPS) 中，准确的轨迹预测为下游规划与控制提供关键指导，但尽管深度学习模型在验证数据上实现高保真预测，其在由环境不确定性或真实部署中稀有交互行为引起的 OOD 场景下可靠性会下降；由于交通条件不断演变和交互模式变化，检测此类 OOD 事件具有挑战性，而安全关键应用要求对检测延迟和误报率提供形式化保证，这促使我们紧随最近工作 [1] 的思路，将 OOD 监控问题形式化为最快 changepoint 检测 (QCD) 问题，提供原则统计框架并具备 established 理论；我们进一步观察到，在分布内 (ID) 条件下，预测误差的真实演化可有效建模为隐马尔可夫模型 (HMM)，通过利用该结构，我们将累计最大均值不等式方法扩展为在无需明确 knowing post-change 分布的情况下仍能实现对延迟和误报率的可证明保证的检测方法。在三个真实世界驾驶数据集上进行实验，结果表明检测延迟降低，对重尾误差和未知 post-change 条件具有鲁棒性。
引用
@article{arxiv.2603.14603,
title = {Latent Dynamics-Aware OOD Monitoring for Trajectory Prediction with Provable Guarantees},
author = {Tongfei Guo and Lili Su},
journal= {arXiv preprint arXiv:2603.14603},
year = {2026}
}