Building Real-time Awareness of Out-of-distribution in Trajectory Prediction for Autonomous Vehicles

要約

現実世界の環境での自動運転車の安全な動作には、正確な軌道予測が不可欠です。
よく訓練された機械学習モデルでさえ、トレーニングデータと推論中に遭遇する現実世界の条件との矛盾により、信頼できない予測を生成する可能性があります。
特に、トレーニングデータセットは、あまり頻繁ではないもの（たとえば、トラフィックサークル）を過小評価している間、一般的なシーン（例えば、ストレートレーンなど）を過剰に表現する傾向があります。
さらに、多くの場合、突然のブレーキングや落下物などの予測不可能な現実世界のイベントを見落としています。
安全性を確保するには、モデルの予測が信頼できなくなったときにリアルタイムで検出することが重要です。
ディストリビューション内（ID）シーンがトレーニングデータと同様のエラーパターンを示す直感を活用すると、分散型（OOD）シーンはそうではありませんが、変化点検出問題としてフレーミングすることにより、OOD検出の原則的でリアルタイムのアプローチを導入します。
OODシーンが欺cept的である挑戦的な設定に対処します。つまり、人間の直観によって簡単に検出できないことを意味します。
当社の軽量ソリューションは、軌道予測推論中にいつでもOODの発生を処理できます。
ベンチマーク軌道予測モデルを使用した複数の実際のデータセットの実験結果は、メソッドの有効性を示しています。

要約(オリジナル)

Accurate trajectory prediction is essential for the safe operation of autonomous vehicles in real-world environments. Even well-trained machine learning models may produce unreliable predictions due to discrepancies between training data and real-world conditions encountered during inference. In particular, the training dataset tends to overrepresent common scenes (e.g., straight lanes) while underrepresenting less frequent ones (e.g., traffic circles). In addition, it often overlooks unpredictable real-world events such as sudden braking or falling objects. To ensure safety, it is critical to detect in real-time when a model’s predictions become unreliable. Leveraging the intuition that in-distribution (ID) scenes exhibit error patterns similar to training data, while out-of-distribution (OOD) scenes do not, we introduce a principled, real-time approach for OOD detection by framing it as a change-point detection problem. We address the challenging settings where the OOD scenes are deceptive, meaning that they are not easily detectable by human intuitions. Our lightweight solutions can handle the occurrence of OOD at any time during trajectory prediction inference. Experimental results on multiple real-world datasets using a benchmark trajectory prediction model demonstrate the effectiveness of our methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google