基于分位数回归与流的驾驶行为分布尾部分位数学习
机器学习
2024-10-28 v2 机器人学
摘要
面向安全的自动驾驶（AD），我们考虑学习能够准确捕捉人类驾驶员行为概率分布的多样性与尾部分位数的模型这一问题，该行为是与 AD 车辆交互下的行为。此类模型从驾驶员状态预测其连续动作，对于缩小 AD 智能体仿真与现实之间的差距尤为相关。为此，我们针对该设定改编了两个灵活的分位数学习框架以避免强分布假设：（1）分位数回归（基于 tilted absolute loss（倾斜绝对损失）），以及（2）自回归分位数流（normalizing flows（归一化流）的一种版本）。训练以行为克隆方式进行。我们使用由多条高速公路上的驾驶员轨迹组成的 highD 数据集。我们在一个单步加速度预测任务和多步驾驶员仿真 rollout（展开）中评估我们的方法。我们使用 tilted absolute loss 作为度量报告定量结果，给出显示可学习到真实极端行为的定性示例，并讨论主要见解。
引用
@article{arxiv.2305.13106,
title = {On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows},
author = {Jia Yu Tee and Oliver De Candido and Wolfgang Utschick and Philipp Geiger},
journal= {arXiv preprint arXiv:2305.13106},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication