基于误差对齐不确定性优化的可靠多模态轨迹预测

ECCVDec, 2022

基于误差对齐不确定性优化的可靠多模态轨迹预测

Reliable Multimodal Trajectory Prediction via Error Aligned Uncertainty Optimization

Neslihan Kose, Ranganath Krishnan, Akash Dhamasia, Omesh Tickoo, Michael Paulitsch

TL;DR通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性，以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务，并在包括大规模车辆运动预测任务的多个数据集上进行评估，通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。

Abstract

Reliable uncertainty quantification in deep neural networks is very crucial in safety-critical applications such as automated driving for trustworthy and informed decision-making. Assessing the quality of uncerta

uncertainty quantification deep neural networks error aligned uncertainty optimization structured prediction regression tasks

发现论文，激发创造

适应性的分布变迁下的轨迹预测不确定性量化

本文提出了 CUQDS 框架，该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性，并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。

Jun, 2024

通过准确度与不确定性优化来改善模型校准

优化深度神经网络中的不确定性估计是安全关键应用中的一个重要问题。本文提出了利用准确度与不确定性之间的关系进行优化的方法，通过可微的 loss 函数来实现模型的不确定性校准，结果显示比现有的方法在大规模图像分类任务中表现的更好

Dec, 2020

顺应化的多模态不确定性回归和推理

本研究介绍了一种轻量级的不确定性估计器，通过将符合预测与深度学习回归器相结合，能够预测多模态（不相交）的不确定性界限。我们特别讨论了它在视觉里程计中的应用，该应用中环境特征，如飞行领域的对称性和模糊和遮挡下的传感器测量，可能导致多模态不确定性。我们的模拟结果显示，在我们的框架中，不确定性估计根据具有挑战性的操作条件自适应地调整每个样本，例如明显的噪声、有限的训练数据和有限的预测模型参数大小。我们还开发了一种推理框架，利用这些稳健的不确定性估计并结合基于光流的推理来提高预测准确性。因此，通过恰当地考虑数据驱动学习的预测不确定性，并通过基于规则的推理关闭其估计循环，我们的方法在所有这些具有挑战性的场景中始终优于传统的深度学习方法，通过减少预测误差 2-3 倍。

Sep, 2023

用变分贝叶斯混合模型量化运动预测的不确定性

提出了一种称为 SeNeVA 的顺序神经变分 Agent (Sequential Neural Variational Agent) 的生成模型，用于描述单个移动物体的未来轨迹分布，实现了区分异常数据、量化不确定性和与 Argoverse 2 和 INTERACTION 数据集上先进方法相竞争的性能。

Apr, 2024

城市路口不确定性感知驾驶员轨迹预测

本文介绍了一种基于多传感器的变分神经网络方法，用于预测驾驶员车辆的未来轨迹分布。该方法能够处理不确定的情况，并且可以与物理学预测器相结合，提高整个系统的性能。经实验证明，我们的方法可将物理学模型的预测误差提高 25％，同时以 82％的准确度成功识别不确定情况。

Jan, 2019

具有模型不确定性估计的安全强化学习

使用 MC-Dropout 和 Bootstrapping 方法来提高安全驾驶机器人的模型稳定性，实现在未知数据情况下的碰撞回避。

Oct, 2018

重新审视不确定性估计的评估及其在探索模型复杂度 - 不确定性平衡中的应用

本研究针对神经网络预测的不确定性准确度进行研究，提出了针对不同使用场景下的新度量标准，探讨了模型复杂度与不确定度准确度之间的权衡关系，并通过实验验证了新度量标准的有效性和一些有趣的趋势。

Mar, 2019

自主车应用深度学习部件不确定性估计方法比较

本文研究了自主车辆在安全关键任务中使用神经网络时，面临的不可避免的误差问题，并给出了一些用于评估这种不确定性的方法和指标，比较了各种不确定性量化方法在特定 AV 任务和类型的优劣。

Jun, 2020

深度学习中的多元不确定性

本文论述了深度学习在自主驾驶和机器人中导航和状态估计中的应用，为了在黑盒模型和卡尔曼和其他贝叶斯滤波器中更加稳妥可靠地使用深度学习，需要准确地量化多变量不确定性，提出并实验了通过神经网络建模多元不确定性的方法，并证明精确的多变量不确定性量化对于卡尔曼滤波器性能在领域内和领域外评估数据中的巨大影响，同时指出端到端滤波器训练可以允许不确定性预测来补偿滤波器的不足。

Oct, 2019

深度学习不确定性估计的通用框架

提出了一种用基于贝叶斯信任网络和蒙特卡罗采样的方法来对神经网络进行不确定性估计，这个方法具有与神经网络结构和任务无关，不需要优化进程的更改，能够应用于已经训练好的结构，有效地提高了准确性。

Jul, 2019