[[439616]]

arXiv上2021年12月3日上傳的論文“Causal-based Time Series Domain Generalization for Vehicle Intention Prediction”，作者來自伯克利分校。

準確預(yù)測交通參與者的行為是自動駕駛車輛的基本能力。由于在動態(tài)變化的環(huán)境中導(dǎo)航，無論在何處以及遇到何種駕駛環(huán)境，都需要進行準確的預(yù)測。當自動駕駛車輛部署在現(xiàn)實世界中時，對未知域的泛化能力對預(yù)測模型至關(guān)重要。本文提出一種基于因果的時間序列域泛化（causal-based time series domain generalization，CTSDG）模型。構(gòu)建一個車輛意圖預(yù)測任務(wù)的結(jié)構(gòu)化因果模型，學(xué)習(xí)用于域泛化de輸入駕駛數(shù)據(jù)不變表征。進一步將遞歸潛變量 (latent variable) 模型集成到結(jié)構(gòu)化因果模型中，更好地從時間序列輸入數(shù)據(jù)中捕獲時間潛在依賴性。

該文章被Neurips 2021的workshop on Distribution Shifts接收。

因果關(guān)系側(cè)重于表示數(shù)據(jù)生成過程的結(jié)構(gòu)知識，允許干預(yù)和更改，有助于理解和解決當前機器學(xué)習(xí)方法的一些局限性。事實上，結(jié)合或?qū)W習(xí)環(huán)境結(jié)構(gòu)化知識的機器學(xué)習(xí)模型已被證明更有效，泛化效果更好。對于駕駛員來說，在不同域的交互方式也應(yīng)該處理一些不變的結(jié)構(gòu)化關(guān)系，因為這樣可以快速調(diào)整駕駛技能以適應(yīng)新的場景。因此，作者構(gòu)建了一個用于車輛意圖預(yù)測任務(wù)的結(jié)構(gòu)化因果模型（SCM），以學(xué)習(xí)輸入駕駛數(shù)據(jù)的不變表征，用于域泛化。

如圖是CTSDG的框架圖：其中觀測量顯示為陰影節(jié)點；潛量節(jié)點是透明的。有向黑邊表示因果關(guān)系；虛線雙向邊表示相關(guān)性；空心虛線箭頭表示包含關(guān)系。藍線表示推理過程，綠線表示生成過程，紅線表示遞推過程。

域（D）包含地圖屬性的不同組合，如道路拓撲、速度限制和交通規(guī)則；事件（E）表示兩個車輛交互事件相關(guān)的可觀察變量，包括初始交互狀態(tài)和交互長度等信息；駕駛員（O）表示每個駕駛員的駕駛偏好或駕駛風(fēng)格相關(guān)的不可觀察變量，例如攻擊性級別和他/她是否遵守交通規(guī)則；因果特征（XC）表示駕駛員的個人行為O及其交互狀態(tài)E中衍生出的高級時間相關(guān)因果特征，使用這些特征來標記意圖；非因果特征（XNC）表示域相關(guān)特征，不僅包含域特定信息D，還包含事件E本身。例如交互事件信息，兩輛車開始相互注意時或道路協(xié)商開始時，與道路幾何和交通規(guī)則相關(guān)；輸入數(shù)據(jù)（X）是包含序貫多變量數(shù)據(jù)的車輛交互軌跡，由因果特征XC和非因果XNC特征混合構(gòu)成；潛變量（Z）表示從時間序列車輛交互數(shù)據(jù)中提取出與時間相關(guān)的潛表示；標簽（Y）是車輛意圖標簽。

采用一個表征函數(shù) q去映射輸入空間到一個潛空間，一個假設(shè)函數(shù) 映射潛空間到XC（因果）。合在一起，得到期望的意圖預(yù)測器f，而對應(yīng)的預(yù)測損失寫成

XC（因果）需要滿足一個不變性條件，考慮到駕駛員意圖的不可觀測性，得到一個預(yù)測損失函數(shù)如下：

上面匹配函數(shù)需要優(yōu)化，假設(shè)XC不同域的相同類輸入之間距離是受限的，可定義一個對比表征學(xué)習(xí)損失函數(shù)，最小化不同域的同類輸入距離，即

作者把Variational Recurrent Neural Networks (VRNN)集成入CTSDG 模型，這樣目標函數(shù)變成

最后的總目標函數(shù)為

如下是CTSDG的偽代碼算法：

實驗比較結(jié)果如下：

其中基準方法包括

傳統(tǒng)域泛化任務(wù)的方法7個

• ERM：Oracle Inequalities in Empirical Risk Minimization and Sparse Recover Problems，2011
• IRM：Invariant risk minimization， 2019
• CCSA：Unified deep supervised domain adaptation and generalization，2017
• Mixup：mixup: Beyond empirical risk minimization，2017
• DANN：Domain-adversarial training of neural networks. 2016
• C-DANN：Deep domain generalization via conditional invariant adversarial networks，2018
• VRADA：Variational recurrent adversarial deep domain adaptation，2017

行為預(yù)測任務(wù)的方法3個

• CVAE：Desire: Distant future prediction in dynamic scenes with interacting agents，2017
• GAN：Social gan Socially acceptable trajectories with generative adversarial networks，2018
• GNN：Neural relational inference for interacting systems，2018

如下表是其中實驗定義的域信息：

具體圖示如下：

本文雖然展示了提出的用于車輛意圖預(yù)測任務(wù)的域泛化方法性能，但CTSDG方法也可以直接或間接地用于軌跡預(yù)測任務(wù)。最直接的方法是將軌跡預(yù)測問題作為一組不同軌跡的分類，能夠a）確保狀態(tài)空間的預(yù)期覆蓋級別，b）消除動態(tài)不可行的軌跡，以及c）避免模式崩潰問題。此外，意圖分類的準確性在回歸任務(wù)中起著重要作用。與無條件的預(yù)測相比，目標/意圖條件軌跡預(yù)測可以改進智體聯(lián)合和單個智體的預(yù)測。條件預(yù)測也可用于規(guī)劃任務(wù)。因此，擁有一個準確域泛化的意圖/目標預(yù)測器是開發(fā)最優(yōu)軌跡預(yù)測器和運動規(guī)劃器的前提。