論文の概要: Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning

• arxiv url: http://arxiv.org/abs/2603.10407v1
• Date: Wed, 11 Mar 2026 04:42:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.662474
• Title: Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning
• Title（参考訳）: ガウス軌道予測器の再考:安全計画のための不確実性の校正
• Authors: Fatemeh Cheraghi Pouria, Mahsa Golchoubian, Katherine Driggs-Campbell,
• Abstract要約: 既存の軌道予測器は主に負の対数的損失に依存しており、これは過度あるいは過度に信頼される分布を予測しがちである。 本稿では,予測の不確実性を校正する新たな損失関数を提案する。 提案手法は,異なる状態領域のガウス軌道予測器によって予測される信頼度の信頼性を著しく向上することを示す。
• 参考スコア（独自算出の注目度）: 4.546517638153619
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate trajectory prediction is critical for safe autonomous navigation in crowded environments. While many trajectory predictors output Gaussian distributions to represent the multi-modal distribution over future pedestrian positions, the reliability of their confidence levels often remains unaddressed. This limitation can lead to unsafe or overly conservative motion planning when the predictor is integrated with an uncertainty-aware planner. Existing Gaussian trajectory predictors primarily rely on the Negative Log-Likelihood loss, which is prone to predict over- or under-confident distributions, and may compromise downstream planner safety. This paper introduces a novel loss function for calibrating prediction uncertainty which leverages Kernel Density Estimation to estimate the empirical distribution of confidence levels. The proposed formulation enforces consistency with the properties of a Gaussian assumption by explicitly matching the estimated empirical distribution to the Chi-squared distribution. To ensure accurate mean prediction, a Mean Squared Error term is also incorporated in the final loss formulation. Experimental results on real-world trajectory datasets show that our method significantly improves the reliability of confidence levels predicted by different State-Of-The-Art Gaussian trajectory predictors. We also demonstrate the importance of providing planners with reliable probabilistic insights (i.e. calibrated confidence levels) for collision-free navigation in complex scenarios. For this purpose, we integrate Gaussian trajectory predictors trained with our loss function with an uncertainty-aware Model Predictive Control on scenarios extracted from real-world datasets, achieving improved planning performance through calibrated confidence levels.
• Abstract（参考訳）: 混み合った環境での安全な自律航法には正確な軌道予測が不可欠である。 多くの軌跡予測器は、将来の歩行者位置に対するマルチモーダル分布を表すためにガウス分布を出力するが、その信頼性は、しばしば不適切なままである。 この制限は、予測者が不確実性を認識したプランナーと統合されると、安全でない、あるいは過度に保守的な動作計画につながる可能性がある。 既存のガウス軌道予測器は、主に負の対数的損失に依存しており、これは過度な分布や不確実な分布を予測しがちであり、下流のプランナーの安全性を損なう可能性がある。 本稿では,ケルネル密度推定を用いて信頼度分布を推定する予測不確実性を校正する新たな損失関数を提案する。 提案した定式化は、推定された経験分布とChi-二乗分布を明示的に一致させることにより、ガウスの仮定の性質と整合性を強制する。 正確な平均予測を保証するため、平均正方形誤差項も最終損失定式化に組み込まれている。 実世界の軌道データを用いた実験結果から, 提案手法は, 異なるState-Of-The-Art Gaussian軌道予測器によって予測される信頼度の信頼性を著しく向上することが示された。 また,複雑なシナリオにおける衝突のないナビゲーションにおいて,信頼性の高い確率的洞察(すなわち信頼性の調整)をプランナーに提供することの重要性を示す。 そこで本研究では,損失関数を学習したガウス軌道予測器を実世界のデータセットから抽出したシナリオに対して不確実性を考慮したモデル予測制御と統合し,信頼性の調整による計画性能の向上を実現する。

関連論文リスト

• Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
  コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。 しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。 信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T15:37:11Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• CUQDS: Conformal Uncertainty Quantification under Distribution Shift for Trajectory Prediction [6.029850098632435]
  軌道予測モデルは、有限未来の軌道とその関連する不確実性の両方をオンライン環境で推測することができる。 本研究では、予測された軌道の不確かさを定量化するために、分散シフトフレームワークCUQDSのコンフォーマル不確実性定量化を提案する。
  論文  参考訳（メタデータ） (2024-06-17T21:25:36Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。