Anomaly-Informed Confidence Calibration for Vision-Based Safety Prediction

ملخص تقني: معايرة الثقة القائمة على الشذوذ لتقدير السلامة المعتمد على الرؤية

بيان المشكلة
تعد تقديرات الثقة الموثوقة أمراً بالغ الأهمية لنشر المتحكمات القائمة على الرؤية في الأنظمة ذاتية القيادة الحرجة من حيث السلامة، مثل السباقات ذاتية القيادة. غالباً ما تظهر النماذج التنبؤية الحديثة ثقة مفرطة خطيرة عند مواجهة تحولات في التوزيع أثناء الاختبار. وتتمثل العقبة الرئيسية التي حددها هذا العمل في "فجوة الإدراك والديناميكيات" (perception-dynamics gap)؛ حيث تعمل إشارات الشذوذ القياسية (مثل خطأ إعادة بناء المشفر التلقائي - autoencoder) في فضاء الملاحظة فقط. فهي تكتشف بفعالية التشوهات البصرية (مثل الظلام أو الضبابية)، لكنها تفشل في اكتشاف شذوذ الديناميكيات (مثل انحياز التفعيل، أو زمن انتقال التحكم، أو الاحتكاك غير المنمذج) حيث تظل تدفق الصور يبدو منطقياً بينما ينحرف مسار المركبة بصمت. تعتمد طرق المعايرة اللاحقة الموجودة، مثل قياس درجة الحرارة القياسي (standard temperature scaling)، على قيمة عددية ثابتة واحدة وتتدهور بشكل كبير تحت تأثير تحولات التوزيع. وعلى العكس من ذلك، فإن تقنيات تحديد الكمية الغنية للارتياب (uncertainty quantification) مثل المجموعات العميقة (Deep Ensembles) أو إسقاط مونت كارلو (MC Dropout) تفرض تكاليف حوسبية لا تتوافق مع التحكم في الوقت الفعلي، كما أنها تعامل جميع حالات الشذوذ كمصدر واحد متجانس للارتياب.

المنهجية
يقترح المؤلفون إطار عمل لـ "المعايرة عبر الإنترنت القائمة على الشذوذ" (Anomaly-Informed Online Calibration) يقوم بتعديل ثقة السلامة دون إعادة تدريب المتنبئ الأساسي للسلامة. يدمج هذا النهج إشارات من "نموذج عالم" (world model) مجمد وتعزيز وقت الاختبار (TTA) في معاير خفيف الوزن. يتكون المسار من أربع مراحل:

1. استخراج درجة الشذوذ: يستخرج إطار العمل درجتي شذوذ متكاملتين ومستمرتين من نموذج عالم متعلم (وهو عبارة عن VAE مع ديناميكيات كامنة):

   • درجة الإدراك ($\rho_i$): مشتقة من متوسط خطأ إعادة بناء البكسل لكل بكسل لمفكك شفرة الـ VAE عبر نافذة سياقية. وهي تلتقط التحولات في التوزيع البصري.
   • درجة الديناميكيات ($\delta_i$): مشتقة من مسافة ماهالانوبيس (Mahalanobis distance) لمتجه ميزات مكون من 12 بُعداً في فضاء انتقال الحالة. يتضمن هذا المتجه تقديرات ارتياب إسقاط مونت كارلو، وإحصائيات نمط الفعل (مثل معدلات التجمد، والارتجاج/jerk)، والارتباطات الزمنية. تلتقط هذه الدرجة الشذوذ في ديناميكيات الانتقال التي تترك الصور تبدو طبيعية بصرياً.
     يتم تطبيع كلا الدرجتين إلى النطاق $[0, 1]$ باستخدام إحصائيات التوزيع الداخلي.

2. تعزيز وقت الاختبار (TTA): لتعزيز المتانة البصرية، يتم تقييم متنبئ السلامة $g$ على الصورة الأصلية بالإضافة إلى $M=8$ نسخ معززة (اضطراب ضوئي عشوائي وضوضاء غاوسية). يتم حساب متوسط التنبؤات لإنتاج تنبؤ أساسي ممهد $\bar{p}_{i+k}$. تهدف هذه الخطوة إلى تقليل الحساسية للاضطرابات البصرية الطفيفة.

3. قياس درجة الحرارة المشروط بالشذوذ: الابتكار الجوهري هو آلية ديناميكية لقياس درجة الحرارة حيث تكون درجة الحرارة الفعالة $T_{eff}$ دالة في درجات الشذوذ:
   $$T_{eff} = T_k \cdot \exp(w_\rho \rho_i + w_\delta \delta_i)$$
   هنا، $T_k$ هي درجة حرارة أساسية لكل أفق تنبؤ، و $w_\rho, w_\delta$ هي أوزان قابلة للتعلم. مع زيادة أدلة الشذوذ ($\rho_i, \delta_i$)، تزداد $T_{eff}$، مما يسحب الاحتمال المتنبأ به نحو 0.5 ويقلل من الثقة المفرطة. عندما يغيب الشذوذ، تتحول الطريقة إلى قياس درجة الحرارة القياسي.

4. نظام التدريب: يتم تدريب المعاير على مزيج من بيانات التوزيع الداخلي وبيانات معززة اصطناعياً (باستخدام أنواع تشويه منفصلة عن بروتوكولات الاختبار). يظل متنبئ السلامة الأساسي ونموذج العالم مجمدين أثناء تدريب المعايرة.

المساهمات الرئيسية

1. إطار عمل للمعايرة عبر الإنترنت: طريقة تدمج أدلة الشذوذ من نموذج العالم مع TTA لتعديل ثقة السلامة في الوقت الفعلي دون إعادة تدريب المتنبئ الأساسي.
2. تجزئة درجات الشذوذ: استراتيجية تفصل بين درجات الإدراك والديناميكيات، مما يعالج فجوة "الإدراك-الديناميكيات" التي تتركها إشارات الشذوذ البصرية البحتة.
3. التحقق الفيزيائي: تحقق عبر منصة DonkeyCar فيزيائية يثبت أن المعايرة المدربة على التعزيزات الاصطناعية تنتقل نوعياً إلى تشوهات العالم الحقيقي المختلفة.

النتائج التجريبية
تم تقييم الطريقة على سيارة DonkeyCar فيزيائية تحت أربعة بروتوكولات شذوذ واقعية غير مرئية: الظلام (بصري)، الضبابية (بصري)، انحياز التفعيل (ديناميكي)، و زمن انتقال المعالجة (ديناميكي).

• كشف البيانات خارج التوزيع (OOD Detection): حققت درجات الشذوذ المدمجة متوسط AUROC قدره 0.830 للتمييز بين بيانات التوزيع الداخلي والبيانات خارج التوزيع، وهو ما يتفوق بشكل كبير على النماذج المرجعية مثل Feature Norm (0.658) والاستدلالات المشتقة من التنبؤ (حوالي 0.54). ومن الجدير بالذكر أن درجة الديناميكيات قدمت مكاسب جوهرية في اكتشاف انحياز التفعيل وزمن الانتقال، حيث واجهت الطرق المعتمدة على مستوى الصورة صعوبة.
• أداء المعايرة: قللت الطريقة المقترحة من متوسط خطأ المعايرة المتوقع (ECE) من 0.184 (أفضل نموذج مرجعي، DAC) إلى 0.166، مما يمثل تحسناً بنسبة 37%.
• دراسات الاستئصال (Ablation Studies):
  • وفرت درجة الإدراك ($\rho$) الإشارة المهيمنة للمعايرة، حيث قللت من متوسط ECE خارج التوزيع بنسبة 28% عند إضافتها إلى TTA.
  • ساهمت درجة الديناميكيات ($\delta$) في متانة تكميلية، لا سيما في تقليل تباين البذور المتعددة (cross-seed variance) وتحسين اكتشاف الشذوذات الخاصة بالديناميكيات، رغم أنها لم تخفض متوسط ECE بشكل كبير عند إضافتها إلى TTA+$\rho$.
  • حافظت الطريقة على أداء التوزيع الداخلي، محققة متوسط ECE قدره 0.121 على مجموعة الاختبار الاسمية المحجوزة.

الأهمية والادعاءات
يزعم البحث أن التقدير الموثوق للثقة في الروبوتات الحرجة يتطلب تجاوز المعايرة ذات السلم الواحد واكتشاف الشذوذ البصري البحت. من خلال نمذجة "فجوة الإدراك والديناميكيات" صراحةً وتكييف درجة حرارة المعايرة بناءً على أدلة الشذونة المجزأة، يمكن للنظام تقليل الثقة المفرطة انتقائياً تحت تأثير تحولات التوزيع مع الحفاظ على الأداء الاسمي. يوضح العمل أن التعزيزات الاصطناعية يمكن أن تعمل كوكيل هيكلي للتشوهات الواقعية، مما يسمح لمعاير مدرب على بيانات اصطناعية بالتعميم على شذوذات فيزيائية غير مرئية (مثل تدهور الأجهزة) دون إعادة تدريب المتنبئ الأساسي. يشير المؤلفون إلى أنه بينما تظهر الطريقة قدرة قوية على الانتقال، فإن التوسع خارج نطاق شدة التدريب يظل أحد القيود.