基于 Transformer 的多智能体轨迹预测无监督异常检测
机器学习
2026-01-29 v1 系统与控制
系统与控制
摘要
识别安全关键场景对于自动驾驶至关重要，但由于此类事件稀缺，不以监督方式标记不切实际。传统基于规则的度量如碰撞时间（Time-to-Collision）过于简单，难以捕捉复杂相互作用风险；现有方法缺乏系统性方法验证统计异常是否真正反映物理危险。为此，我们提出一种基于多智能体 Transformer 的无监督异常检测框架，建模正常驾驶行为并通过预测残差衡量偏差。我们提出了双重评估方案，以评估检测的稳定性和物理对齐程度：稳定性通过标准排序指标衡量，Kendall 秩相关系数捕捉秩次一致性，Jaccard 指数衡量 top-K 选中项的一致性；物理对齐通过与既定的替代安全措施（Surrogate Safety Measures, SSM）进行相关性分析。基于 NGSIM 数据集的实验表明，该框架有效：我们展示，最大残差聚合器在保持稳定性的同时实现最高的物理对齐。此外，该框架识别了 388 个被 Time-to-Collision 和统计基线遗漏的独特异常，捕捉到如侧向漂移下的反应制动等细微的多智能体风险。检测到的异常进一步聚类为四种可解释的风险类型，为仿真和测试提供可操作的见解。
引用
@article{arxiv.2601.20367,
title = {Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models},
author = {Qing Lyu and Zhe Fu and Alexandre Bayen},
journal= {arXiv preprint arXiv:2601.20367},
year = {2026}
}