Joint Out-of-Distribution Detection and Uncertainty Estimation for Trajectory Prediction

要約

自動運転のための軌跡予測に関する重要な研究努力にもかかわらず、予測信頼性の評価に関する研究は限られている。この限界に対処するために、我々は2つのエラー源、すなわち、分布外（OOD）検出による新しい状況と、不確実性推定による分布内（ID）状況の複雑さをカバーするアプローチを提案する。我々は、軌道予測のためのエンコーダ・デコーダネットワークの隣に2つのモジュールを導入する。第一に、ガウス混合モデルが学習中にIDエンコーダの特徴の確率密度関数を学習し、特徴空間の尤度の低い領域でOODサンプルを検出するために用いられる。次に、誤差回帰ネットワークがエンコーダに適用され、教師あり学習において軌道予測誤差を推定するように学習する。推論時には、推定された予測誤差が不確かさとして用いられる。我々の実験では、両モジュールの組み合わせは、Shifts robust trajectory prediction datasetにおいて、OOD検出と不確実性推定において、先行研究をそれぞれ$2.8 ㏜$と$10.1 ㏜$上回る結果を得た。コードは公開されている。

要約(オリジナル)

Despite the significant research efforts on trajectory prediction for automated driving, limited work exists on assessing the prediction reliability. To address this limitation we propose an approach that covers two sources of error, namely novel situations with out-of-distribution (OOD) detection and the complexity in in-distribution (ID) situations with uncertainty estimation. We introduce two modules next to an encoder-decoder network for trajectory prediction. Firstly, a Gaussian mixture model learns the probability density function of the ID encoder features during training, and then it is used to detect the OOD samples in regions of the feature space with low likelihood. Secondly, an error regression network is applied to the encoder, which learns to estimate the trajectory prediction error in supervised training. During inference, the estimated prediction error is used as the uncertainty. In our experiments, the combination of both modules outperforms the prior work in OOD detection and uncertainty estimation, on the Shifts robust trajectory prediction dataset by $2.8 \%$ and $10.1 \%$, respectively. The code is publicly available.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL