Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification

要約

深い学習ベースの軌道予測モデルは、複雑な相互作用をキャプチャする際に有望な能力を実証しています。
ただし、特に不均衡なデータと堅牢性とキャリブレーションを確保するのに十分なデータと多様性が不足しているため、配布不足の一般化は重要な課題のままです。
これに対処するために、シフト（軌道のスペクトルヘテロスケーティスティック情報に基づいた予測）を提案します。これは、自動化されたルール抽出を通じて導き出された有益なプライアーと独自に校正された不確実性モデリングを一意に組み合わせた新しいフレームワークです。
Shiftは、軌道予測を分類タスクとして再フォーリュールし、異種のスペクトル正規化ガウスプロセスを採用して、認識論的および偶然の不確実性を効果的に解き放ちます。
大規模な言語モデルを搭載した検索された生成フレームワークを使用して、停止ルールやドライバビリティの制約などの自然言語運転ルールから自動的に生成されるトレーニングラベルから有益なプライアーを学びます。
挑戦的な低データや架橋シナリオを含むヌスセンデータセットをめぐる広範な評価は、シフトが最先端の方法を上回り、不確実性のキャリブレーションと変位メトリックの大幅な利益を達成することを示しています。
特に、私たちのモデルは、不確実性が本質的に高い交差点などの複雑なシナリオで優れています。
プロジェクトページ：https：//kumarmanas.github.io/shift/。

要約(オリジナル)

Deep learning-based trajectory prediction models have demonstrated promising capabilities in capturing complex interactions. However, their out-of-distribution generalization remains a significant challenge, particularly due to unbalanced data and a lack of enough data and diversity to ensure robustness and calibration. To address this, we propose SHIFT (Spectral Heteroscedastic Informed Forecasting for Trajectories), a novel framework that uniquely combines well-calibrated uncertainty modeling with informative priors derived through automated rule extraction. SHIFT reformulates trajectory prediction as a classification task and employs heteroscedastic spectral-normalized Gaussian processes to effectively disentangle epistemic and aleatoric uncertainties. We learn informative priors from training labels, which are automatically generated from natural language driving rules, such as stop rules and drivability constraints, using a retrieval-augmented generation framework powered by a large language model. Extensive evaluations over the nuScenes dataset, including challenging low-data and cross-location scenarios, demonstrate that SHIFT outperforms state-of-the-art methods, achieving substantial gains in uncertainty calibration and displacement metrics. In particular, our model excels in complex scenarios, such as intersections, where uncertainty is inherently higher. Project page: https://kumarmanas.github.io/SHIFT/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google