CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction

要約

オンライン設定（例えば実世界の応用シナリオ）において、対象車両の有限の将来軌道とそれに関連する不確実性の両方を推論できる軌道予測モデルは、自律的な車両運動の安全でロバストなナビゲーションと経路計画を保証するために極めて重要である。しかしながら、既存の軌道予測モデルの大部分は、訓練段階において不確実性を低減することを一つの目的として考慮しておらず、また、潜在的な分布シフトの下での推論段階において信頼性の高い不確実性の定量化を提供していない。そこで本論文では、既存の軌道予測モデルの予測精度の向上と学習段階での推定不確かさの低減を考慮しつつ、潜在的なデータ分布シフト下での予測軌道の不確かさを定量化するために、Conformal Uncertainty Quantification under Distribution Shift フレームワーク（CUQDS）を提案する。具体的には、CUQDSは、1）ベースモデル（既存の軌道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と、2）訓練データとテストデータ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の推定不確実性を較正する統計ベースのConformal P制御モジュールを含む。

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, DeepL