运动中的随机性：基于信息论的轨迹预测方法

在自动驾驶领域，准确的运动预测对于确保安全和高效的路径规划至关重要。然而，为了保证安全，规划器需要可靠的对周围代理人预测行为不确定性估计，而这一方面却获得了有限的关注。特别是将不确定性分解为 aleatoric 与 epistemic 组件对于区分环境内在随机性与模型不确定性至关重要，从而实现更稳健且信息更充分的决策。本文采用整体方法来解决轨迹预测中的不确定性建模挑战，强调不确定性量化、分解以及模型组合的影响。我们的方法基于信息论，提供了一种从理论上严谨的方式来衡量不确定性并将其分解为 aleatoric 与 epistemic 组件。与先前工作不同，我们的方法与最先进的运动预测器兼容，从而具有更广泛的适用性。我们通过在 nuScenes 数据集上进行大量实验来展示其实用性，显示不同架构和配置如何影响不确定性量化和模型鲁棒性。