Quantifying Uncertainty in Motion Prediction with Variational Bayesian Mixture

安全性和稳健性是开发值得信赖的自动驾驶车辆的重要因素。解决这些因素的一个基本方面是为车辆配备能够预测周围所有移动物体未来轨迹并量化预测不确定性的能力。在本文中，我们提出了连续神经变分智能体（SeNeVA），这是一个生成模型，描述了单个移动物体未来轨迹的分布。我们的方法可以区分超出分布数据，同时量化不确定性，并在Argoverse 2和INTERACTION数据集上实现与最先进方法相媲美的性能。具体而言，在INTERACTION测试集上实现了0.446米最小最终位移误差、0.203米最小平均位移误差和5.35%的漏检率。我们还提供了广泛的定性和定量分析来评估所提出的模型。我们的开源代码可在https://github.com/PurdueDigitalTwin/seneva上获得。

该论文旨在解决自动驾驶车辆中预测周围运动物体未来轨迹的问题，同时量化预测的不确定性，以提高安全性和可靠性。

该论文提出了一种基于生成模型的方法，称为SeNeVA，可以描述单个运动物体的未来轨迹分布，并可以区分不在分布范围内的数据。

该方法在Argoverse 2和INTERACTION数据集上实现了竞争性能，同时提供了大量的定性和定量分析来评估该模型，包括0.446米的最小最终位移误差、0.203米的最小平均位移误差和5.35%的漏检率。此外，作者还提供了开源代码。

在最近的相关研究中，一些论文探讨了使用深度学习模型来预测运动物体的轨迹，例如：《End-to-end Learning of Driving Models from Vision and Lidar Data》、《Probabilistic Multimodal Vehicle Motion Prediction》等。