Rethinking Gaussian Trajectory Predictors: Calibrated Uncertainty for Safe Planning
作者: Fatemeh Cheraghi Pouria, Mahsa Golchoubian, Katherine Driggs-Campbell
分类: cs.RO
发布日期: 2026-03-11
💡 一句话要点
提出基于核密度估计的校准损失函数，提升高斯轨迹预测器在安全规划中的不确定性置信度。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 轨迹预测 不确定性校准 高斯过程 核密度估计 安全规划
📋 核心要点
- 现有高斯轨迹预测器依赖负对数似然损失，易产生过度自信或不自信的预测，影响下游规划安全性。
- 提出一种新损失函数，利用核密度估计置信度水平的经验分布，并与卡方分布匹配以校准不确定性。
- 实验表明，该方法显著提升了高斯轨迹预测器置信度水平的可靠性，并改善了不确定性感知规划性能。
📝 摘要（中文）
在拥挤环境中，准确的轨迹预测对于安全自主导航至关重要。虽然许多轨迹预测器输出高斯分布来表示未来行人位置的多模态分布，但其置信度水平的可靠性通常未得到解决。当预测器与不确定性感知规划器集成时，这种限制可能导致不安全或过于保守的运动规划。现有的高斯轨迹预测器主要依赖于负对数似然损失，该损失容易预测过度自信或不自信的分布，并可能损害下游规划器的安全性。本文提出了一种新的损失函数，用于校准预测不确定性，该函数利用核密度估计来估计置信度水平的经验分布。所提出的公式通过显式地将估计的经验分布与卡方分布匹配，来强制与高斯假设的属性保持一致。为了确保准确的均值预测，最终的损失公式中还包含均方误差项。在真实世界轨迹数据集上的实验结果表明，我们的方法显著提高了不同最先进的高斯轨迹预测器预测的置信度水平的可靠性。我们还证明了为规划器提供可靠的概率洞察（即校准的置信度水平）对于复杂场景中的无碰撞导航的重要性。为此，我们将使用我们的损失函数训练的高斯轨迹预测器与真实世界数据集场景中的不确定性感知模型预测控制集成，通过校准的置信度水平实现了改进的规划性能。
🔬 方法详解
问题定义：现有高斯轨迹预测器在预测行人轨迹时，虽然能输出高斯分布以表示不确定性，但其置信度往往不可靠，导致下游规划器在复杂环境中做出不安全或过于保守的决策。核心问题在于如何校准预测轨迹的不确定性，使其与真实情况相符。
核心思路：论文的核心思路是通过优化损失函数，使得预测的高斯分布的置信度与实际观测到的置信度相匹配。具体来说，利用核密度估计（KDE）来估计预测置信度的经验分布，然后强制该经验分布与理论上的卡方分布（高斯分布的置信度应服从卡方分布）相一致。这样设计的目的是为了确保预测的不确定性是经过校准的，从而提高下游规划器的安全性。
技术框架：整体框架包含三个主要部分：轨迹预测器、置信度校准模块和下游规划器。轨迹预测器负责预测未来轨迹的高斯分布（均值和方差）。置信度校准模块利用提出的损失函数，对轨迹预测器进行训练，使其输出的置信度更加可靠。下游规划器则利用校准后的轨迹预测结果，进行安全的运动规划。
关键创新：最重要的技术创新点在于提出了基于核密度估计的置信度校准损失函数。与传统的负对数似然损失不同，该损失函数直接优化预测置信度的分布，使其与理论分布相匹配。这种方法能够更有效地校准预测的不确定性，从而提高预测的可靠性。
关键设计：关键设计包括：1) 使用核密度估计来估计置信度水平的经验分布。2) 设计损失函数，该损失函数包含两部分：一部分是基于核密度估计的置信度校准项，另一部分是均方误差项，用于保证均值预测的准确性。3) 将经验分布与卡方分布进行匹配，利用KL散度或JS散度来衡量两个分布之间的差异，并将其作为损失函数的一部分。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在多个真实世界轨迹数据集上显著提高了高斯轨迹预测器置信度水平的可靠性。通过与不确定性感知模型预测控制集成，在复杂场景中实现了改进的规划性能，有效降低了碰撞风险。具体提升幅度未知，但强调了在真实数据集上的有效性。
🎯 应用场景
该研究成果可广泛应用于自动驾驶、机器人导航等领域，尤其是在需要与行人等动态环境交互的场景中。通过提供校准的轨迹预测不确定性，可以显著提高系统的安全性和可靠性，减少碰撞风险，并提升用户体验。未来，该方法可以进一步扩展到其他类型的预测任务，例如行为预测、意图预测等。
📄 摘要（原文）
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.