Dynamic Aware: Adaptive Multi-Mode Out-of-Distribution Detection for Trajectory Prediction in Autonomous Vehicles

Resumen Técnico: Detección Adaptativa Multi-Modal de Distribución Externa (OOD) para Predicción de Trayectorias

1. Planteamiento del Problema

La predicción de trayectorias es fundamental para la seguridad de los vehículos autónomos (AV). Sin embargo, los modelos entrenados en grandes conjuntos de datos a menudo fallan al enfrentar desplazamientos de distribución (distribution shifts) en el mundo real, como maniobras agresivas, condiciones climáticas extremas o bloqueos irregulares. Estas situaciones, conocidas como escenarios fuera de distribución (OOD), pueden llevar a que el modelo genere pronósticos sobreconfiados pero peligrosos.

El problema central identificado en el artículo es que los métodos existentes de detección OOD en AVs tienen dos limitaciones críticas:

1. Enfoque por fotograma (Frame-wise): La mayoría se centra en tareas de percepción (detección de objetos) y evalúa cada fotograma de forma aislada, ignorando las correlaciones espacio-temporales entre las trayectorias de los agentes.
2. Ignorancia de la dinámica de errores: Los métodos recientes que utilizan detección de cambio más rápido (Quickest Change Detection - QCD) y el algoritmo CUSUM asumen una distribución de errores estática. El análisis de los autores revela que los errores de predicción en la realidad no siguen una distribución única, sino que exhiben una distribución multi-modal (modos de bajo y alto error) que evoluciona dinámicamente según el contexto de conducción (ej. autopista vs. intersección urbana).

Ignorar esta dinámica conduce a umbrales de detección mal calibrados: umbrales globales demasiado altos retrasan la detección en situaciones peligrosas, mientras que umbrales demasiado bajos generan falsas alarmas en escenarios benignos.

2. Metodología Propuesta: MA-CUSUM

Los autores proponen MA-CUSUM (Mode-Aware CUSUM), un marco de detección de cambios adaptativo que modela explícitamente la estructura multi-modal de los errores de predicción.

Componentes Clave:

• Detección de Modos Latentes: Utilizan un Modelo de Mezcla Gaussiana (GMM) para modelar la distribución de errores en dos modos: bajo riesgo (bajo error) y alto riesgo (alto error). Dado que el modo real es latente, estiman el modo activo en cada paso de tiempo $t$ utilizando la estimación de Máxima A Posteriori (MAP) basada únicamente en el error residual actual.
• Actualización Adaptativa de Umbrales: En lugar de un umbral global fijo, MA-CUSUM ajusta dinámicamente el umbral de detección según el modo estimado:
  • Calcula la varianza local de los errores dentro de una ventana deslizante para el modo activo.
  • Deriva un umbral base específico para ese modo ($h_{\hat{M}_t}$) utilizando la teoría de pruebas de razón de verosimilitud secuencial (SPRT).
  • Aplica un factor de escala conservador ($r_0 > r_1$) para el modo de bajo error, permitiendo absorber fluctuaciones transitorias sin disparar alarmas falsas.
• Estadística CUSUM Condicional: El algoritmo acumula la razón de verosimilitud logarítmica ($\ell_t$) basada en el modo estimado. La estadística CUSUM se actualiza penalizando la incertidumbre y se compara contra el umbral adaptativo $\theta_t$.
• Flexibilidad de Conocimiento: El método funciona bajo tres escenarios de conocimiento sobre la distribución post-cambio (OOD):
  1. Conocimiento Total: Se conoce la distribución OOD exacta.
  2. Conocimiento Parcial: Se conocen solo estadísticas coarsas (media, varianza).
  3. Conocimiento Desconocido: Se asume un desplazamiento de ubicación mínimo ($\kappa$), haciendo el método robusto sin necesidad de modelos paramétricos OOD.

Entrada del Sistema: Solo requiere la secuencia de residuos de predicción (errores), sin necesidad de acceder a los parámetros internos del modelo, etiquetas de verdad fundamental en tiempo real o costosas cuantificaciones de incertidumbre (UQ).

3. Contribuciones Principales

1. Evidencia Empírica de Multi-modalidad: Proporcionan la primera evidencia sistemática, a través de múltiples benchmarks (ApolloScape, NGSIM, nuScenes), de que los errores de predicción de trayectorias siguen distribuciones multi-modales cuyo modo activo evoluciona con el tiempo.
2. Algoritmo MA-CUSUM: Introducen un algoritmo que adapta los umbrales de detección basándose en la estimación del modo de error, manteniendo la eficiencia computacional y el rigor analítico del CUSUM clásico.
3. Rendimiento Superior y Bajo Costo: Demuestran experimentalmente que MA-CUSUM reduce consistentemente el retraso de detección y las falsas alarmas en comparación con métodos basados en incertidumbre (UQ) y detección OOD basada en visión, con un costo computacional mínimo.
4. Diseño Modular: El enfoque es agnóstico al modelo de predicción subyacente y solo requiere residuos, lo que facilita su implementación en sistemas embebidos de vehículos autónomos.

4. Resultados Experimentales

Los experimentos se realizaron en tres conjuntos de datos grandes (ApolloScape, NGSIM, nuScenes) con modelos de predicción como GRIP++ y FQA.

• Precisión de Detección: MA-CUSUM superó a todos los baselines (incluyendo CUSUM Global, Z-Score, Chi-Cuadrado y métodos de probabilidad como IGMM).
  • En el modelo GRIP++, logró un AUROC de 0.93 (vs. 0.87 del CUSUM Global) y un AUPR de 1.11 (vs. 0.53), lo que representa una mejora del 110% en la robustez precisión-recall.
  • En el modelo FQA, la mejora en AUPR fue del 157.6%.
• Compromiso Retraso-Falsa Alarma: MA-CUSUM logra una curva de trade-off superior, permitiendo una detección más rápida para la misma tasa de falsas alarmas, especialmente en regímenes de baja tasa de falsas alarmas (críticos para seguridad).
• Impacto de la Dinámica de Modos:
  • En dinámicas de cambio tipo Markov y Arbitrarias (más realistas), la mejora en el retraso de detección (WADD) fue del 30-40%.
  • Incluso en escenarios estáticos o i.i.d., el método mantuvo una ventaja, demostrando robustez.
• Robustez ante Incertidumbre: El método mantuvo tasas de falsas alarmas estables incluso cuando el conocimiento de la distribución OOD era incompleto o desconocido, degradando el retraso de detección de manera suave y predecible.
• Eficiencia Computacional: MA-CUSUM añade un retraso de solo un tiempo de muestreo y tiene una complejidad O(1). Es significativamente más rápido que los métodos de Ensemble o MC-Dropout, que requieren múltiples pasadas forward (38.7 ms vs 5.1 ms en pruebas).

5. Significado e Impacto

Este trabajo es fundamental para la seguridad de los vehículos autónomos porque:

• Cambia el paradigma de "talla única": Demuestra que los umbrales estáticos son subóptimos; la detección OOD debe ser sensible al contexto dinámico del error.
• Viabilidad en Tiempo Real: Al ser ligero y no requerir modelos de incertidumbre costosos, MA-CUSUM es viable para la implementación a bordo (on-board) en vehículos de producción.
• Seguridad Proactiva: Al reducir el retraso de detección en escenarios de alta complejidad (como intersecciones urbanas densas), permite al vehículo autónomo activar maniobras de seguridad o fallbacks antes de que ocurra un accidente, mejorando la fiabilidad de la toma de decisiones.

En conclusión, MA-CUSUM establece un nuevo estado del arte en la monitorización de la seguridad de la predicción de trayectorias, equilibrando rigurosidad teórica con eficiencia práctica para manejar la incertidumbre inherente de la conducción autónoma.