Evidential Uncertainty Estimation for Multi-Modal Trajectory Prediction

作者: Sajad Marvi, Christoph Rist, Julian Schmidt, Julian Jordan, Abhinav Valada

发布时间: 2025-03-10

来源: arxiv

研究方向: 自动驾驶中的多模态轨迹预测与不确定性估计

主要内容

本文提出了一种基于证据深度学习的多模态轨迹预测方法，旨在解决自动驾驶中由于行为和感知噪声导致的不确定性挑战。该方法能够实时估计位置和模式概率的不确定性，并通过重要性采样策略提高训练效率。

1. 引入了一种基于深度证据框架的实时不确定性估计框架，消除了对昂贵的基于采样的方法的依赖。

2. 在多个级别上建模不确定性，使用正态逆伽马（NIG）先验对位置不确定性进行建模，并使用狄利克雷先验对模式概率不确定性进行建模。

3. 提出了一种重要性采样策略，使用预测的不确定性来提高训练效率，在保持性能的同时减少数据集大小。

4. 将我们的方法与广泛使用的不确定性估计技术进行了基准测试，证明了其优越的性能。

1. 使用层次向量变换器（HiVT）编码器进行多智能体运动预测。

2. 结合证据框架来估计位置和模式不确定性。

3. 使用正态逆伽马（NIG）分布来建模位置不确定性。

4. 使用狄利克雷分布来建模轨迹模式概率的不确定性。

5. 采用重要性采样策略来提高训练效率。

在Argoverse 2和Argoverse 1数据集上进行了广泛的评估，结果表明，该方法在预测准确性和不确定性估计方面均优于基线方法。此外，通过重要性采样实验，证明了预测的不确定性可以作为数据重要性的信号，从而提高训练效率。

未来工作可以探索将该方法应用于更广泛的场景，例如多智能体交互和动态环境中的轨迹预测。此外，可以研究如何将不确定性估计与决策制定相结合，以实现更安全的自动驾驶。