自动驾驶协同检测的不确定性量化
计算机视觉与模式识别
2023-03-20 v3
摘要
互联自动驾驶车辆（CAVs）之间的信息共享从根本上提升了自动驾驶协同目标检测的性能。然而，由于实际挑战，CAVs在目标检测上仍存在不确定性，这将影响自动驾驶中规划与控制等后续模块。因此，不确定性量化对于CAVs等安全关键系统至关重要。我们的工作是首个估计协同目标检测不确定性的研究。我们提出了一种称为Double-M量化的新型不确定性量化方法，该方法采用移动块自助法（MBB）算法，并对边界框各角的多变量高斯分布进行直接建模。我们的方法基于离线的Double-M训练过程，在一次推理中同时捕获认知不确定性与偶然不确定性，并且可与不同的协同目标检测器配合使用。通过在综合协同感知数据集上的实验，我们表明与最先进的（SOTA）不确定性量化方法相比，我们的Double-M方法在不确定性分数上实现了超过4倍的提升，在准确率上实现了超过3%的提升。我们的代码公开于 https://coperception.github.io/double-m-quantification。
引用
@article{arxiv.2209.08162,
title = {Uncertainty Quantification of Collaborative Detection for Self-Driving},
author = {Sanbao Su and Yiming Li and Sihong He and Songyang Han and Chen Feng and Caiwen Ding and Fei Miao},
journal= {arXiv preprint arXiv:2209.08162},
year = {2023}
}
备注
This paper has been accepted by the 2023 IEEE International Conference on Robotics and Automation (ICRA 2023)