欢迎关注微信公众号“机器人EmbodiedAI”
论文题目：CaDeT: a Causal Disentanglement Approach for Robust Trajectory Prediction in Autonomous Driving
论文链接：https://openaccess.thecvf.com/content/CVPR2024/papers/Pourkeshavarz_CaDeT_a_Causal_Disentanglement_Approach_for_Robust_Trajectory_Prediction_in_CVPR_2024_paper.pdf
代码链接：https://github.com/georghess/neurad-studio
一、方法
为了在现实世界中实现安全的运动规划，自动驾驶车辆需要可靠且对分布变化具有鲁棒性的行为预测模型。最近的研究表明，现有的基于学习的轨迹预测模型不具备这些特性，容易受到训练数据中不存在的小扰动的影响，这主要是由于在学习过程中过度拟合了虚假的相关性。
在本文中，我们提出了一种因果解缠表示学习方法，旨在分离不变（因果）和可变（虚假）特征，以实现更鲁棒的学习。我们的方法通过潜在空间中的新型干预机制受益，该机制使用不确定特征统计估计由于虚假相关性导致的潜在分布变化，从而保持干预的现实性。为了促进学习，我们提出了一种基于不确定统计分布方差的新颖不变性目标，以在训练期间引导模型专注于不变表示。我们在两个大规模自动驾驶数据集上进行了广泛的实验，结果表明，除了实现最先进的性能外，我们的方法还可以显著提高预测对驾驶场景中各种分布变化的鲁棒性。我们还进行了消融研究，以评估我们提出框架中的设计选择。
我们的贡献如下：
(1) 我们提出了一种新颖的因果解缠方法用于轨迹预测，通过有效分离因果因素和虚假因素来增强模型的鲁棒性和泛化能力。
(2) 我们通过在潜在空间中结合不确定性建模来模拟潜在的分布变化，从而保持现实性，并引入了一种新的干预机制。
(3) 我们设计了一种新的不变性训练目标，专注于利用因果因素进行预测，同时减轻虚假相关性带来的负面影响，从而增强模型对潜在分布变化的抵抗力。
(4) 我们在常见的基准数据集上进行了实验，结果表明我们的模型在各种指标上都达到了最先进的性能。
(5) 我们还进行了全面的研究，评估了我们方法在各种情境扰动下的鲁棒性，并通过消融分析突出显示了所提出组件对整体性能的贡献。
二、实验
这里展示部分结果，更多结果请参考论文。
三、总结
我们提出了一种新颖的因果解缠方法，其中通过时空模式来构建场景中的空间和时间关系，并使用因果解缠方法分离因果因素和虚假因素。我们提出了一种干预机制，通过在潜在空间中使用特征统计生成基于虚假因素的多个干预分布，从而模拟推理时的潜在分布变化，保持干预的现实性。最后，我们提出了一种不变性训练目标，利用因果因素和干预分布，引导模型专注于因果关系。结果，虚假相关性的影响被减轻，使得模型在推理时对分布变化更具鲁棒性。我们在两个大规模自动驾驶数据集上进行了广泛的实证研究，证明我们的方法不仅实现了最先进的性能，而且在各种分布变化下显著提高了预测的鲁棒性。
欢迎关注微信公众号“机器人EmbodiedAI”
