Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty Optimization

要約

ディープ ニューラル ネットワークにおける信頼性の高い不確実性の定量化は、信頼できる十分な情報に基づいた意思決定のための自動運転など、セーフティ クリティカルなアプリケーションにおいて非常に重要です。
不確実性推定の根拠が得られないため、不確実性推定の品質を評価することは困難です。
理想的には、適切に較正されたモデルでは、不確実性の推定値がモデルの誤差と完全に相関する必要があります。
新しい誤差調整不確実性最適化手法を提案し、トレーニング可能な損失関数を導入してモデルを導き、モデル誤差と一致する高品質の不確実性推定値を生成します。
私たちのアプローチは、連続的に構造化された予測および回帰タスクを対象としており、現実世界の分布シフトを含む大規模な車両運動予測タスクを含む複数のデータセットで評価されます。
2 つの最先端のベースラインでピアソン相関係数によって定量化されるように、我々の方法が平均変位誤差を 1.69% と 4.69% 改善し、モデル誤差との不確実性相関を 17.22% と 19.13% 改善することを実証します。

要約(オリジナル)

Reliable uncertainty quantification in deep neural networks is very crucial in safety-critical applications such as automated driving for trustworthy and informed decision-making. Assessing the quality of uncertainty estimates is challenging as ground truth for uncertainty estimates is not available. Ideally, in a well-calibrated model, uncertainty estimates should perfectly correlate with model error. We propose a novel error aligned uncertainty optimization method and introduce a trainable loss function to guide the models to yield good quality uncertainty estimates aligning with the model error. Our approach targets continuous structured prediction and regression tasks, and is evaluated on multiple datasets including a large-scale vehicle motion prediction task involving real-world distributional shifts. We demonstrate that our method improves average displacement error by 1.69% and 4.69%, and the uncertainty correlation with model error by 17.22% and 19.13% as quantified by Pearson correlation coefficient on two state-of-the-art baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google