自动驾驶道路使用者轨迹预测模型的鲁棒性基准测试
人工智能
2023-04-05 v1 机器人学
摘要
准确且鲁棒的道路使用者轨迹预测是实现安全自动驾驶所必需的。为此，常使用机器学习模型，这些模型在面临先前未见的输入时可能表现出不稳定行为。在这项工作中，我们对两种环境感知模型（MotionCNN 和 MultiPath++）以及两种常见基线（恒速模型和 LSTM）进行了鲁棒性基准测试，测试针对模拟车辆模型部署期间观察到的功能不足的多种扰动：道路信息不可用、检测延迟和噪声。结果表明，在这些扰动下性能显著下降，常用轨迹预测评估指标中的误差增加高达 +1444.8%。使用类似扰动训练模型可有效减少性能下降，误差增加最高为 +87.5%。我们认为，尽管这是一种有效的缓解策略，训练期间通过扰动进行数据增强并不能保证对未知扰动的鲁棒性，因为识别所有可能出现的道路复杂情况是不可行的。此外，降低输入质量有时会导致更准确的预测，这表明模型无法学习数据中不同元素之间的真实关系。
引用
@article{arxiv.2304.01895,
title = {Robustness Benchmark of Road User Trajectory Prediction Models for Automated Driving},
author = {Manuel Muñoz Sánchez and Emilia Silvas and Jos Elfring and René van de Molengraft},
journal= {arXiv preprint arXiv:2304.01895},
year = {2023}
}