迈向可信多模态运动预测:输出的整体评估与可解释性
机器人学
2023-08-09 v2 人工智能
摘要
预测其他道路智能体的运动使自动驾驶车辆能够执行安全高效的路径规划。该任务非常复杂,因为道路智能体的行为取决于诸多因素,且可能的未来轨迹数量可能相当多(多模态)。大多数先前解决多模态运动预测的方法基于可解释性有限的复杂机器学习系统。此外,当前基准中使用的指标未评估问题的所有方面,例如输出的多样性和容许性。本工作中,我们基于可信人工智能设计的一些要求,致力于推进可信运动预测系统的设计。我们关注评估准则、鲁棒性和输出的可解释性。首先,我们全面分析评估指标,识别当前基准的主要差距,并提出新的整体评估框架。然后,我们引入一种通过模拟感知系统噪声来评估空间和时间鲁棒性的方法。为增强输出的可解释性并在所提评估框架中生成更均衡的结果,我们提出一个可附加到多模态运动预测模型的意图预测层。该方法的有效性通过一项探索多模态轨迹与意图可视化中不同要素的调研来评估。所提方法和发现对开发自动驾驶车辆可信运动预测系统作出重要贡献,推动该领域朝向更高的安全性与可靠性发展。
引用
@article{arxiv.2210.16144,
title = {Towards trustworthy multi-modal motion prediction: Holistic evaluation and interpretability of outputs},
author = {Sandra Carrasco Limeros and Sylwia Majchrowska and Joakim Johnander and Christoffer Petersson and Miguel Ángel Sotelo and David Fernández Llorca},
journal= {arXiv preprint arXiv:2210.16144},
year = {2023}
}
备注
16 pages, 7 figures, 6 tables