基于变分贝叶斯混合模型的运动预测不确定性量化
计算机视觉与模式识别
2024-04-08 v1 人工智能
摘要
安全性和鲁棒性是开发可信赖的自动驾驶车辆的关键因素。一个必不可少的方面是为周围的所有移动物体预测未来轨迹并量化预测不确定性。本文提出了顺序神经变分代理 (Sequential Neural Variational Agent, SeNeVA)，这是一种生成模型，描述单个移动物体未来轨迹的分布。我们的方法能够在量化不确定性的同时区分分布外数据，并在 Argoverse 2 和 INTERACTION 数据集上实现与最先进方法的竞争性能。具体而言，在 INTERACTION 测试集上实现了 0.446 米的最小最终位移误差 (minimum Final Displacement Error)、0.203 米的最小平均位移误差 (minimum Average Displacement Error)以及 5.35% 的漏检率 (Miss Rate)。本文还提供了对所提模型的广泛定性和定量分析。我们开源的代码可在 https://github.com/PurdueDigitalTwin/seneva 获取。
引用
@article{arxiv.2404.03789,
title = {Quantifying Uncertainty in Motion Prediction with Variational Bayesian Mixture},
author = {Juanwu Lu and Can Cui and Yunsheng Ma and Aniket Bera and Ziran Wang},
journal= {arXiv preprint arXiv:2404.03789},
year = {2024}
}
备注
Accepted at CVPR 2024