面向自动驾驶端到端学习的边缘校准响应分布

自动驾驶的端到端学习器是直接由前方街道图像预测瞬时转向角的深度神经网络。这些学习器必须为其预测提供可靠的不确定性估计，以满足安全要求并在高不确定性区域启动手动控制切换。然而端到端学习器通常仅提供点预测，因为分布预测会带来训练时间的显著增加或预测时额外的计算资源消耗。为弥补这一不足，我们研究了 Klein、Nott 与 Smith（2021）隐式 copula 神经线性模型的高效可扩展近似推断，以量化端到端学习器预测的不确定性。所得转向角密度是边缘校准的，即估计密度的平均值等于转向角的经验分布。为确保对大 $n$ 情形的可扩展性，我们开发了基于变分推断的高效估计，作为通过哈密顿蒙特卡洛进行计算密集的精确推断的快速替代。我们利用 comma2k19 数据集在两个为高速公路驾驶训练的端到端学习器上，对比了变分方法与哈密顿蒙特卡洛的准确性和速度。隐式 copula 神经线性模型提供了准确的校准、高质量的预测区间，并能够识别过度自信的学习器。我们的方法也有助于黑盒端到端学习器的可解释性，因为预测密度可用于理解端到端学习器认为哪些转向动作是有效的。