【斯坦福博士论文】不确定性时空感知的自动驾驶汽车，136页pdf

https://searchworks.stanford.edu/view/14230541

自动驾驶汽车将在安全和效率方面给交通带来革命性的变化。然而，自动驾驶系统在复杂的人类环境中仍然面临着挑战，比如在杂乱、动态的城市环境中驾驶自动驾驶汽车。在道路上部署自动驾驶系统的一个关键障碍是对人类行为的理解、预测和推断。自主感知为机器人建立了对环境的总体理解。这包括在空间和时间上推断人类行为。由于人类的行为差异巨大，目标变化迅速，因此很难对其进行建模。此外，在杂乱的环境中，存在计算和可见性的限制。然而，人类也拥有令人满意的能力，例如他们在观察到的环境之外进行泛化的能力。尽管基于学习的系统近年来在建模和模仿人类行为方面取得了成功，但有效地获取这些系统的数据和模型的不确定性仍然是一个开放的问题。本文提出了在人类环境中不确定性感知自主感知系统的算法改进。我们在时空机器人感知方面做出了系统层面的贡献，从而推断出人类行为，并在轨迹预测的不确定性感知机器学习模型方面取得了基础性进展。这些贡献使机器人系统能够对人类行为做出不确定性和具有社会意识的时空推断。 传统的机器人感知是以物体为中心的模块化的，包括物体检测、跟踪和轨迹预测三个阶段。由于环境中的部分遮挡，这些系统可能会在预测阶段之前失效。因此，我们提出了一种从以地图为中心的占用网格表示来进行时空环境预测的端到端范式。占用网格对部分遮挡具有鲁棒性，可以处理场景中任意数量的人类智能体，并且不需要关于环境的先验信息。我们研究了计算机视觉技术在这一背景下的性能，并开发了新的机制，以适应时空环境预测的任务。在空间上，机器人还需要对其环境中的全遮挡智能体进行推理，这可能是由于传感器的限制或道路上的其他智能体阻碍了视野。人类擅长从观察到的社会行为中推断他们的经验。我们从人类的直觉中汲取灵感，填补了机器人地图上传统传感器无法观察到的部分。我们通过学习从观察到的人类驾驶员行为到前方环境的多模态映射来推断这些闭塞区域的占用率，从而将人视为传感器。该系统处理多个观察智能体，以最大限度地告知机器人周围的占用地图。 为了安全地将人类行为建模集成到机器人自主堆栈中，感知系统必须有效地考虑不确定性。在基于学习的模型中，人类行为通常使用离散潜空间来建模，以捕获分布中的多模态。例如，在一个轨迹预测任务中，对于一个过去的轨迹，可能存在多个有效的未来预测。为了准确地模拟这种潜在分布，潜在空间需要足够大，这导致下游任务(如路径规划)的可处理性问题。我们通过提出一种离散潜在样本空间的稀疏化算法来解决这个问题，该算法可以在不牺牲模型性能的情况下应用于事后处理。我们的方法成功地平衡了多模态和稀疏性，实现了有效的数据不确定性估计。除了对数据的不确定性进行建模，基于学习的自主系统必须意识到它们的模型不确定性或它们不知道的东西。标记现实世界中遇到的分布外或未知场景，可能有助于下游自治堆栈组件和工程师进行进一步的系统开发。尽管机器学习社区在小型基准问题的模型不确定性估计方面非常丰富，但在复杂的基于学习的机器人系统中估计这种不确定性方面的工作相对较少。本文提出在轨迹预测任务的背景下，在可解释的低维潜空间上有效学习模型的不确定性。本文提出的算法在真实的自动驾驶数据上进行了验证，并以最先进的技术为基准。我们表明，在建模相关的不确定性时，从人类层面的推理中汲取灵感，可以为自主感知系统的环境理解提供信息。在这篇论文中所做的贡献是向不确定性和社会意识的自治系统迈出的一步，它可以在人类环境中无缝地运行。