用于轨迹预测的半监督语义引导对抗训练
机器学习
2023-03-22 v2 计算机视觉与模式识别
机器人学
摘要
预测周围物体的轨迹是自动驾驶车辆和许多其他自主系统的关键任务。近期工作表明，对轨迹预测的对抗攻击（向历史轨迹引入精心制作的小扰动）可能显著误导未来轨迹的预测并引发不安全规划。然而，极少有工作致力于增强这一重要安全关键任务的鲁棒性。本文提出一种新颖的轨迹预测对抗训练方法。与图像任务上的典型对抗训练相比，我们的工作受到更具随机性且富含上下文的输入以及缺乏类别标签的挑战。为应对这些挑战，我们提出一种基于半监督对抗自编码器的方法，其利用领域知识对解耦语义特征建模，并为对抗训练提供额外的潜在标签。使用不同类型攻击的大量实验表明，我们的半监督语义引导对抗训练（SSAT）方法可有效将对抗攻击的影响减轻多达 73%，并优于其他流行防御方法。此外，实验表明我们的方法能显著提升系统对未知攻击模式的鲁棒泛化能力。我们认为这种语义引导架构及在鲁棒泛化上的进展是开发鲁棒预测模型并实现安全决策的重要一步。
引用
@article{arxiv.2205.14230,
title = {Semi-supervised Semantics-guided Adversarial Training for Trajectory Prediction},
author = {Ruochen Jiao and Xiangguo Liu and Takami Sato and Qi Alfred Chen and Qi Zhu},
journal= {arXiv preprint arXiv:2205.14230},
year = {2023}
}
备注
11 pages, adversarial training for trajectory prediction