SafeShift：面向自动驾驶鲁棒轨迹预测的安全感知分布偏移方法
机器人学
2024-02-06 v2
摘要
随着自动驾驶技术日趋成熟，其关键组件（包括轨迹预测）的安全性和鲁棒性至关重要。尽管真实世界数据集（如 Waymo Open Motion）为模型开发提供了真实记录场景，但它们往往缺乏真正安全关键的情境。我们未采用不真实的仿真或危险的真实世界测试，而是提出一个框架来刻画此类数据集并从中发现隐藏的安全相关场景。我们的方法拓展了安全相关性的谱系，使我们能够在安全感知的分布偏移设定下研究轨迹预测模型。我们贡献了一种通用场景刻画方法、一种用于发现被巧妙规避的风险场景的新评分方案，以及在此设定下对轨迹预测模型的评估。我们进一步贡献了一种补救策略，实现了预测碰撞率平均降低 10%。为促进未来研究，我们公开了代码：github.com/cmubig/SafeShift。
引用
@article{arxiv.2309.08889,
title = {SafeShift: Safety-Informed Distribution Shifts for Robust Trajectory Prediction in Autonomous Driving},
author = {Benjamin Stoler and Ingrid Navarro and Meghdeep Jana and Soonmin Hwang and Jonathan Francis and Jean Oh},
journal= {arXiv preprint arXiv:2309.08889},
year = {2024}
}
备注
10 pages, 5 figures, 5 tables