TrajPAC：面向行人轨迹预测模型的鲁棒性验证
摘要：鲁棒的行人轨迹预测对于开发安全的自动驾驶车辆至关重要。尽管先前的研究在轨迹预测中研究了对抗性鲁棒性，但仍存在一些重要问题尚未解决。在这项工作中，我们尝试解决这些关键问题。首先，先前对轨迹预测中鲁棒性定义模糊不清。因此，我们提供了两种鲁棒性的形式定义，分别是标签鲁棒性和纯鲁棒性。其次，由于先前的研究未能考虑干扰区间中所有点的鲁棒性，我们利用了一种称为"可能近似正确"（PAC）的框架进行鲁棒性验证。此外，该框架不仅可以识别潜在的反例，还可以对原始方法进行可解释的分析。我们的方法使用一个名为TrajPAC的原型工具进行应用。使用TrajPAC，我们评估了四种先进的轨迹预测模型（Trajectron++，MemoNet，AgentFormer和MID）在ETH/UCY数据集的五个场景和斯坦福无人机数据集场景中的轨迹上的鲁棒性。使用我们的框架，我们还实验性地研究了可能影响鲁棒性性能的各种因素。
作者：Liang Zhang, Nathaniel Xu, Pengfei Yang, Gaojie Jin, Cheng-Chao Huang, Lijun Zhang
论文ID：2308.05985
分类：Artificial Intelligence
分类简称：cs.AI
提交时间：2023-08-14