Adaptive Uncertainty Quantification for Trajectory Prediction Under Distributional Shift

要約

オンライン設定 (現実世界のアプリケーション シナリオなど) で対象車両の有限な将来の軌道とそれに関連する不確実性の両方を推測できる軌道予測モデルは、自動運転車の動作の安全かつ堅牢なナビゲーションと経路計画を確保するために重要です。
しかし、既存の軌道予測モデルの大部分は、トレーニング段階での 1 つの目的として不確実性を低減することを考慮しておらず、潜在的な分布シフトの下での推論段階で信頼できる不確実性の定量化も提供していません。
したがって、本論文では、モデルの予測精度の向上と不確実性の削減を考慮しながら、潜在的なデータ分布シフトの下での既存の軌道予測モデルの予測軌道の不確実性を定量化する、分布シフトフレームワークの下での等角不確実性定量化 CUQDS を提案します。
トレーニング段階で推定される不確実性。
具体的には、CUQDS には、1) 基本モデル (既存の軌跡予測または時系列予測ニューラル ネットワーク) の出力分布をモデル化し、追加の損失項によって推定の不確実性を低減する学習ベースのガウス過程回帰モジュール、および 2) 統計的アルゴリズムが含まれています。
トレーニング データとテスト データの間の潜在的な分布シフトの下で、オンライン設定でガウス過程回帰モジュールから推定された不確実性を校正するための、ベースの Conformal P 制御モジュール。

要約(オリジナル)

Trajectory prediction models that can infer both finite future trajectories and their associated uncertainties of the target vehicles in an online setting (e.g., real-world application scenarios) is crucial for ensuring the safe and robust navigation and path planning of autonomous vehicle motion. However, the majority of existing trajectory prediction models have neither considered reducing the uncertainty as one objective during the training stage nor provided reliable uncertainty quantification during inference stage under potential distribution shift. Therefore, in this paper, we propose the Conformal Uncertainty Quantification under Distribution Shift framework, CUQDS, to quantify the uncertainty of the predicted trajectories of existing trajectory prediction models under potential data distribution shift, while considering improving the prediction accuracy of the models and reducing the estimated uncertainty during the training stage. Specifically, CUQDS includes 1) a learning-based Gaussian process regression module that models the output distribution of the base model (any existing trajectory prediction or time series forecasting neural networks) and reduces the estimated uncertainty by additional loss term, and 2) a statistical-based Conformal P control module to calibrate the estimated uncertainty from the Gaussian process regression module in an online setting under potential distribution shift between training and testing data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google