How Does Traffic Environment Quantitatively Affect the Autonomous Driving Prediction?

要約

複雑な交通環境での安全で効率的な自動運転には、正確な軌道予測が不可欠です。
近年、人工知能は予測精度の向上において強力な能力を発揮しています。
ただし、その不可解性と不確実性の特性により、予測に対する交通環境の影響を明示的に判断することは困難であり、安全性が重要な意思決定に大きな課題をもたらします。
これらの課題に対処するために、この研究では、予測不可能または未知のシナリオに直面したときに高い不確実性を出力する認識論的不確実性推定能力を備えた軌道予測フレームワークを提案します。
提案されたフレームワークは、予測アルゴリズムのパフォーマンスに対する環境の影響を分析するために使用されます。
分析では、トラフィック環境は、シナリオの特徴とシフトのそれぞれの観点から考慮されます。ここで、特徴は、ターゲットエージェントの運動学的特徴、周囲の交通参加者の特徴、およびその他の特徴に分割されます。
さらに、予測誤差と認識論的不確実性に対する上記の特徴の影響を研究するために、特徴相関と重要度分析が実行されます。
さらに、複数の交差点データセットを使用してクロスデータセットのケーススタディを実施し、現実世界で避けられない分布シフトが軌道予測に与える影響を調査します。
結果は、ディープアンサンブルベースの方法が、予測のロバスト性を改善し、認識の不確実性を推定するのに利点があることを示しています。
一貫した結論は、ターゲット エージェントの運動学的特徴が予測誤差と認識論的不確実性に比較的強い影響を与えるという結論を含む、特徴相関と重要性分析によって得られます。
さらに、分布シフトに起因する予測の失敗と、ディープ アンサンブル ベースの手法の可能性を分析します。

要約(オリジナル)

An accurate trajectory prediction is crucial for safe and efficient autonomous driving in complex traffic environments. In recent years, artificial intelligence has shown strong capabilities in improving prediction accuracy. However, its characteristics of inexplicability and uncertainty make it challenging to determine the traffic environmental effect on prediction explicitly, posing significant challenges to safety-critical decision-making. To address these challenges, this study proposes a trajectory prediction framework with the epistemic uncertainty estimation ability that outputs high uncertainty when confronting unforeseeable or unknown scenarios. The proposed framework is used to analyze the environmental effect on the prediction algorithm performance. In the analysis, the traffic environment is considered in terms of scenario features and shifts, respectively, where features are divided into kinematic features of a target agent, features of its surrounding traffic participants, and other features. In addition, feature correlation and importance analyses are performed to study the above features’ influence on the prediction error and epistemic uncertainty. Further, a cross-dataset case study is conducted using multiple intersection datasets to investigate the impact of unavoidable distributional shifts in the real world on trajectory prediction. The results indicate that the deep ensemble-based method has advantages in improving prediction robustness and estimating epistemic uncertainty. The consistent conclusions are obtained by the feature correlation and importance analyses, including the conclusion that kinematic features of the target agent have relatively strong effects on the prediction error and epistemic uncertainty. Furthermore, the prediction failure caused by distributional shifts and the potential of the deep ensemble-based method are analyzed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google