On Learning the Tail Quantiles of Driving Behavior Distributions via Quantile Regression and Flows

要約

安全な自動運転 (AD) に向けて、AD 車両とのインタラクションにおいて、人間のドライバーの行動確率分布の多様性と末尾分位を正確に捉える学習モデルの問題を検討します。
ドライバーの状態からドライバーの継続的な行動を予測するこのようなモデルは、AD エージェントのシミュレーションと現実の間のギャップを埋めるのに特に重要です。
この目的を達成するために、強い分布仮定を回避する 2 つの柔軟な分位点学習フレームワークをこの設定に適用します。(1) 分位点回帰 (表題の絶対損失に基づく)、および (2) 自己回帰分位点フロー (正規化フローのバージョン)。
トレーニングは動作クローン形式で行われます。
いくつかの高速道路上のドライバーの軌跡で構成される高次元データセットを使用します。
ワンステップの加速予測タスクとマルチステップのドライバー シミュレーション ロールアウトでアプローチを評価します。
傾斜した絶対損失を指標として使用した定量的な結果を報告し、現実的な極端な動作を学習できることを示す定性的な例を示し、主な洞察について説明します。

要約(オリジナル)

Towards safe autonomous driving (AD), we consider the problem of learning models that accurately capture the diversity and tail quantiles of human driver behavior probability distributions, in interaction with an AD vehicle. Such models, which predict drivers’ continuous actions from their states, are particularly relevant for closing the gap between AD agent simulations and reality. To this end, we adapt two flexible quantile learning frameworks for this setting that avoid strong distributional assumptions: (1) quantile regression (based on the titled absolute loss), and (2) autoregressive quantile flows (a version of normalizing flows). Training happens in a behavior cloning-fashion. We use the highD dataset consisting of driver trajectories on several highways. We evaluate our approach in a one-step acceleration prediction task, and in multi-step driver simulation rollouts. We report quantitative results using the tilted absolute loss as metric, give qualitative examples showing that realistic extremal behavior can be learned, and discuss the main insights.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google