一篇关于自动驾驶中概率目标检测方法回顾和比较研究的论文

arXiv2020年11月德国Ulm大学论文：“A Review and Comparative Study on Probabilistic Object Detection in Autonomous Driving“。作者提供了代码：

asharakeh/pod_compare ​ github.com

自动驾驶安全中目标检测不确定性判断是不可缺的。首先对深度学习的通用不确定性估计做了回顾，然后对概率目标检测现有方法和评估测度系统地综述。针对三个自动驾驶开源数据集和一个图像检测器，对概率目标检测做一个比较研究。最后，是对存在的挑战和今后方向做了讨论。

如图是概率目标检测的示意图：除了目标类别和位置，还有对应的可信度分数

Bayesian神经网络BNN（1990年）已经是NN概率推理的标准。定义数据x、类别y、训练数据D和权重W，ˆy = f（x，W），BNN如下给定数据x情况下对网络权重值积分生成预测的类别分布

其中p（y｜x，W）是观测似然，p（W｜D）是权重后验分布。观测似然建模直接，但后验分布计算很难。已经有各种方法，如Variational Inference (VI) 、Markov Chain Monte Carlo (MCMC) 、Stochastic Gradient Descent (SGD) Approximation和Laplace Approximation，产生后验分布的近似解。如何选择合适的model prior和合适的近似推理方法还是一个很挑战的问题，最近Monte-Carlo Dropout是一个实用方法。

深度学习预测不确定性分为epistemic uncertainty 和 aleatoric uncertainty。epistemic uncertainty 是模型不确定性，比如检测未知的目标。aleatoric uncertainty是数据不确定性，例如稀疏激光雷达检测远处的目标或者RGB摄像头的目标检测遇到夜晚驾驶。

除了目标识别，其他任务，如semantic segmentation、optical flow、depth estimation、visual odometry、 image annotation、visual tracking、trajectory prediction和end-to-end perception，也会遇到这个不确定性估计问题，如下表：

如图是semantic segmentation的不确定性示意图：epistemic uncertainty 采用Mutual Information测度，而aleatoric uncertainty 采用 Shannon Entropy。

其中aleatoric uncertainty 多半和 object boundary有关(d)，epistemic uncertainty 和prediction inaccuracy有关，比如前车的分割差(e)。

另外一种分类方法如图所示：感知系统的开发和部署。

一共包括7个不确定性源：perception 问题定义 (U1)、选择场景的数据收集和标注 (U2-U5)、模型训练 (U6)、训练和测试数据的迁移 (U7)。

实用的不确定性估计的方法包括：

• Monte-Carlo Dropout
• Deep Ensembles
• Direct Modeling
• Error Propagation

评估和基准方法包括：

• Shannon Entropy
• Mutual Information
• Calibration Plot
• Negative Log Likelihood (NLL)
• Brier Score
• Error Curve
• Total Variance (TV)

针对 深度学习的概率目标检测 ，做一个系统总结。如图是目前这个问题的关键构建块：

而各种方法的系统总结如下表：

评估测度的方法有：

• Precision, Recall and the F1-Score
• Mean Average Precision
• Probability Detection Quality
• Minimum Uncertainty Error
• Jaccard IOU

讨论的传感器模式 包括：雷达、摄像头、激光雷达。

预测不确定性的 应用和usecase ：包括epistemic and aleatoric，前者用于检测OOD（out-of-distribution），后者用于提高检测精度。

下表是实现一个图像检测器RetinaNet的各种不确定性估计机制：

实验比较研究

下表是在BDD数据集测试检测器的评估：无数据迁移

而下表是数据迁移的mAP评估：BDD、Lyft和KITTI。

方法的比较和讨论：

• 1.使用mAP作为唯一评估指标，不足以量化概率目标检测器中预测不确定性的质量
• 2.通过direct modeling估算回归不确定性，对于高质量的预测分布至关重要
• 3.使用loss attenuation估计分类方差不会比deterministic RetinaNet基准分类带来任何好处
• 4.与标准NMS相比，Bayesian Inference提供了更好的回归不确定性质量
• 5.基于抽样的epistemic uncertainty估计对估计的预测不确定性的质量影响不大

下表是aleatoric uncertainties在激光雷达和摄像头感知模块的比较：

挑战和未来方向：

• 有效的Epistemic Uncertainty估计方法
• Aleatoric Uncertainty的分解
• 不确定性对下游模块的传播
• 概率目标检测的更好评估
• 数据的GT不确定性问题