面向车辆轨迹异常检测的表示学习

基于周围车辆的历史轨迹预测其未来轨迹是自动驾驶中的关键任务。然而，当对这些历史轨迹引入微小的精心扰动时，所产生的异常（或对抗性）轨迹会显著误导自车的未来轨迹预测模块，可能导致不安全的规划甚至致命事故。因此，为系统安全检测此类周围车辆的异常轨迹至关重要，但鲜有工作关注该问题。在本工作中，我们提出两种新颖方法，用于学习有效且高效的表示以进行车辆轨迹的在线异常检测。与通用时间序列异常检测不同，异常车辆轨迹检测处理道路上更丰富的上下文，以及异常轨迹本身上更少的可观测模式。为应对这些挑战，我们的方法分别利用对比学习技术与轨迹语义，在监督与无监督设定下捕捉驾驶场景背后的模式以实现有效异常检测。我们进行了大量实验，表明基于对比学习的监督方法与基于语义潜空间重构的无监督方法，在各自设定下相较多种基线方法显著提升了异常轨迹检测性能。我们还展示了方法对未见异常模式的泛化能力。