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

Título: Detecção Adaptativa Multi-Modal Consciente de Dinâmica para Predição de Trajetória em Veículos Autônomos

1. Problema e Motivação

A predição de trajetória é fundamental para a segurança de Veículos Autônomos (AVs). No entanto, os modelos de aprendizado de máquina enfrentam desafios significativos quando operam em cenários do mundo real que diferem dos dados de treinamento (deslocamento de distribuição ou Out-of-Distribution - OOD).

• Limitações das Abordagens Atuais:
  • A maioria dos métodos de detecção OOD foca em tarefas de percepção (como detecção de objetos) e opera quadro a quadro (frame-wise), ignorando correlações espaço-temporais entre agentes.
  • Métodos baseados em Quantificação de Incerteza (UQ) frequentemente carecem de garantias teóricas rigorosas e possuem alto custo computacional.
  • Abordagens recentes que tratam a detecção OOD como um problema de Detecção de Mudança Mais Rápida (Quickest Change Detection - QCD), utilizando o algoritmo CUSUM, são leves e agnósticas ao modelo, mas assumem uma distribuição de erro estática e unimodal.
• A Lacuna Identificada: A análise empírica dos autores revela que os erros de predição em cenários reais exibem uma distribuição multi-modal (modos de baixo e alto erro) que evolui dinamicamente ao longo do tempo. Ignorar essa dinâmica leva a limiares de detecção mal calibrados: limiares globais podem ser muito conservadores (atrasando a detecção de perigos) ou muito sensíveis (gerando falsos alarmes em variações benignas).

2. Metodologia: MA-CUSUM

Os autores propõem o MA-CUSUM (Mode-Aware CUSUM), um framework de detecção adaptativo que modela explicitamente múltiplos regimes de erro.

• Fundamentação Teórica:
  • Os erros de predição são modelados como uma mistura de Gaussianas (GMM) com dois componentes latentes: Modo de Baixo Risco (erros pequenos, cenários estáveis) e Modo de Alto Risco (erros grandes, cenários complexos ou OOD).
  • O estado do modo ($M_t$) é latente e não observável diretamente, mas sua dinâmica temporal varia (pode ser estático, i.i.d., Markoviano ou arbitrário).
• O Algoritmo (3 Passos por Etapa Temporal):
  1. Estimação de Modo: Utiliza a estimativa de Máxima A Posteriori (MAP) baseada na distribuição GMM pré-treinada para inferir o modo ativo atual ($\hat{M}_t$) a partir do erro de predição ($\epsilon_t$).
  2. Atualização Adaptativa do Limiar: O limiar de detecção é ajustado dinamicamente com base no modo estimado.
     • Calcula-se a variância local do erro dentro de uma janela deslizante para o modo atual.
     • Define-se um limiar específico para o modo ($\theta_{\hat{M}_t}$), onde o modo de baixo erro recebe um limiar mais alto (para absorver flutuações transitórias) e o modo de alto erro um limiar mais sensível.
  3. Atualização CUSUM e Detecção: A estatística de teste CUSUM acumula a razão de verossimilhança logarítmica ($\ell_t$) entre a distribuição pós-mudança (OOD) e a distribuição pré-mudança (ID) específica do modo estimado. Uma mudança é declarada quando a estatística excede o limiar adaptativo.
• Robustez: O método funciona sob três cenários de conhecimento:
  • Conhecimento Total: A distribuição OOD é conhecida.
  • Conhecimento Parcial: Apenas estatísticas grosseiras (média/variância) da distribuição OOD são conhecidas.
  • Conhecimento Desconhecido: Usa uma abordagem baseada em deslocamento robusto, sem assumir forma paramétrica para o OOD.

3. Contribuições Principais

1. Evidência Empírica: Primeira demonstração sistemática, em múltiplos benchmarks (ApolloScape, NGSIM, nuScenes), de que os erros de predição de trajetória são inerentemente multi-modais e que o modo ativo evolui temporalmente.
2. Algoritmo MA-CUSUM: Introdução de um algoritmo que adapta os limiares de detecção baseando-se no modo de erro estimado, mantendo a eficiência computacional do CUSUM clássico.
3. Desempenho Superior: Resultados experimentais mostram redução consistente no atraso de detecção e nas taxas de falsos alarmes em comparação com métodos não adaptativos e técnicas de UQ.
4. Eficiência Computacional: O método é modular, não requer labels de verdade absoluta em tempo real, e adiciona apenas um atraso de um timestamp além da detecção inerente, sendo viável para implantação a bordo (onboard).

4. Resultados Experimentais

Os testes foram realizados em três conjuntos de dados (ApolloScape, NGSIM, nuScenes) com dois modelos de predição (GRIP++ e FQA).

• Precisão de Detecção (AUROC/AUPR):
  • O MA-CUSUM superou todos os baselines, incluindo métodos baseados em verossimilhança (IGMM, NLL), detectores sequenciais (Z-Score, Chi-Square) e o CUSUM Global.
  • No modelo GRIP++, alcançou 0.93 de AUROC (vs. 0.87 do CUSUM Global) e 1.11 de AUPR (vs. 0.53), indicando uma melhoria de 110% na robustez de precisão-recall.
• Compromisso Atraso vs. Falsos Alarmes:
  • O MA-CUSUM deslocou a curva de trade-off para a região de menor atraso e menor taxa de falsos alarmes.
  • Em dinâmicas de mudança de modo complexas (Markovianas e Arbitrárias), houve uma redução de 30% a 40% no Atraso Médio de Detecção Pior Caso (WADD) em comparação com o CUSUM Global.
• Robustez a Desconhecimento:
  • Mesmo na configuração de "Conhecimento Desconhecido" (sem saber a distribuição OOD), o método manteve a taxa de falsos alarmes (FAR) estável, com degradação suave no atraso de detecção.
• Custo Computacional:
  • O MA-CUSUM opera com complexidade O(1), adicionando apenas ~0.8ms ao tempo de processamento (5.1ms total vs. 38.7ms para Ensembles), tornando-o muito mais eficiente que métodos de UQ tradicionais.

5. Significado e Conclusão

O trabalho demonstra que a abordagem "tamanho único" (one-size-fits-all) para detecção OOD em veículos autônomos é subótima. Ao reconhecer e adaptar-se à dinâmica dos modos de erro, o MA-CUSUM oferece um monitoramento robusto que equilibra sensibilidade e segurança.

• Impacto Prático: Permite que os sistemas de AV detectem cenários perigosos (como manobras agressivas ou condições climáticas extremas) mais rapidamente, sem sobrecarregar o sistema com falsos alarmes em situações rotineiras.
• Futuro: Os autores planejam integrar estratégias de mitigação (como manobras de fallback seguras) após a detecção e explorar componentes de cauda pesada (misturas Student-t) para capturar melhor eventos raros extremos.

Em resumo, o MA-CUSUM representa um avanço significativo na segurança de veículos autônomos, transformando a detecção de anomalias de uma tarefa estática para um processo dinâmico e adaptativo, essencial para a operação em ambientes de trânsito complexos e imprevisíveis.