The Impact of Class Uncertainty Propagation in Perception-Based Motion Planning

1. O Problema

Os veículos autônomos (AVs) operam em ambientes urbanos dinâmicos e incertos. Embora a maioria dos sistemas de autonomia seja composta por módulos de percepção, previsão, planejamento e controle, a maioria dos planejadores de trajetória atuais ignora a incerteza inerente gerada pelos módulos upstream (percepção e previsão).

• Desafio Principal: Existem planejadores que incorporam incerteza, mas a sensibilidade desses sistemas à miscalibração (falta de alinhamento entre a incerteza prevista e a incerteza real) não foi totalmente caracterizada.
• Limitação de Avaliações Anteriores: Estudos anteriores frequentemente utilizam avaliações em open-loop (que resetam o estado do veículo para o "ground truth" a cada passo), o que mascara os efeitos cumulativos de previsões mal calibradas ao longo do tempo.
• Questão Central: Qual é o impacto real da propagação e calibração da incerteza de percepção (especificamente incerteza de classe e estado) no desempenho do planejamento de movimento em cenários fechados (closed-loop)?

2. Metodologia

Os autores propõem uma análise comparativa rigorosa utilizando o benchmark nuPlan (um conjunto de dados de planejamento em grande escala com avaliação em closed-loop).

• Arquitetura de Planejamento (UA-SMPC):

  • Desenvolveram um novo Modelo Preditivo Estocástico (UA-SMPC) baseado em Controle Preditivo Estocástico (SMPC).
  • Inovação: O planejador incorpora previsões multimodais de Gaussian Mixture Models (GMM) de múltiplos agentes com uma restrição de evitação de colisão probabilística exata. Diferente de aproximações convexas anteriores que podem ser excessivamente conservadoras, este método calcula a região de "keep-out" mínima necessária para garantir uma probabilidade de não colisão ($P \geq p$), transformando coordenadas para o espaço de Mahalanobis para verificação precisa.
  • O planejador utiliza políticas parametrizadas que incorporam feedback do estado dos outros veículos (NEVs).

• Modelos de Previsão Comparados:
  Para isolar o efeito da propagação de incerteza, compararam dois modelos com a mesma arquitetura base (Trajectron++), mas com diferenças cruciais:

  1. Trajectron++ (T++): Um modelo "agnostico à incerteza" (uncertainty-agnostic). Ele usa apenas vetores de estado, ignorando a incerteza de classe.
  2. HAICU: Um modelo "consciente da incerteza" (uncertainty-aware). Ele propaga a incerteza de classe (probabilidades de classificação dos agentes) através da rede, resultando em distribuições de previsão mais calibradas.
  3. Baseline: Um modelo de velocidade constante para referência.

• Avaliação:

  • Métricas de Previsão: minADE5, minFDE5, NLL (Negative Log-Likelihood), Entropia e ECE (Expected Calibration Error).
  • Métricas de Planejamento (Closed-Loop): Progresso do veículo, Suavidade (Jerk), Tempo até Colisão (TTC) e Pontuação Global do nuPlan.
  • Análise de Sensibilidade: Escalonamento dos covariâncias previstas ($\Sigma \to \alpha\Sigma$) para testar a robustez do planejador frente a diferentes níveis de incerteza.

3. Principais Contribuições

1. Formulação UA-SMPC: Uma nova formulação de SMPC que integra previsões GMM multimodais com restrições de colisão probabilística exatas, evitando aproximações excessivamente conservadoras.
2. Análise em Closed-Loop: Uma avaliação detalhada do impacto da propagação de incerteza de classe no planejamento de movimento em cenários reais e complexos do nuPlan, superando as limitações de avaliações em open-loop.
3. Análise de Sensibilidade: Um estudo que caracteriza como a calibração da covariância afeta o desempenho do planejador, demonstrando que a qualidade da distribuição (calibração) é mais crítica do que a precisão pontual.

4. Resultados Chave

• Qualidade da Distribuição vs. Precisão Pontual:

  • No conjunto de dados nuPlan (onde a incerteza de classe não está disponível nativamente), o HAICU teve desempenho inferior ao Trajectron++ em métricas de precisão pontual (minADE/minFDE).
  • Contudo, em termos de qualidade da distribuição (NLL e Entropia), o HAICU manteve-se superior, indicando previsões melhor calibradas.
  • Resultado Crucial: O planejador baseado em HAICU (HAICU-UA-SMPC) alcançou a melhor pontuação global (Closed-Loop Score) em horizontes longos (8s), superando o T++ e a baseline. Isso demonstra que, para planejadores estocásticos, a calibração da distribuição é um preditor mais forte de sucesso do que a precisão pontual.

• Comportamento em Closed-Loop:

  • Trajectron++ (T++): Tende a produzir previsões mal calibradas que falham em capturar riscos reais (ex: não prever uma curva à direita de um agente). Isso leva a planos de movimento agressivos e inseguros (menor TTC) e, em horizontes longos, a uma degradação severa de desempenho.
  • HAICU: Produz previsões calibradas que antecipam modos futuros plausíveis. O planejador gera trajetórias mais suaves e seguras, evitando colisões potenciais de forma proativa.

• Análise de Sensibilidade:

  • HAICU: Responde de forma previsível ao escalonamento da incerteza. Reduzir a incerteza (fator $\alpha < 1$) melhorou o desempenho, sugerindo que o modelo original é levemente conservador, mas robusto.
  • Trajectron++: Exibiu comportamento errático e não monotônico ao escalar a incerteza, confirmando que sua calibração base é fraca e que o sistema não consegue compensar a falta de informação de incerteza apenas ajustando parâmetros.

5. Significado e Conclusão

O trabalho estabelece que a propagação de incerteza upstream (percepção/previsão) é fundamental para o planejamento seguro de veículos autônomos em cenários complexos.

• Conclusão Principal: Para planejadores baseados em GMM e incerteza, a qualidade da distribuição de probabilidade (calibração) é mais importante do que a precisão da média da trajetória. Um modelo que prevê corretamente a "forma" da incerteza (mesmo que a média esteja ligeiramente errada) permite que o planejador tome decisões mais seguras e eficientes.
• Implicação Prática: Sistemas de direção autônoma devem priorizar a calibração e a propagação de incertezas (como incerteza de classe) nos módulos de previsão, em vez de focar exclusivamente na minimização de erros de deslocamento (ADE/FDE).
• Futuro: Os autores sugerem treinar modelos diretamente no nuPlan (integrando um sistema de percepção para gerar incerteza de classe) para eliminar a necessidade de transferência de dados entre datasets.

Em resumo, o artigo prova que ignorar a incerteza de classe leva a planejadores que falham em cenários de longo prazo, enquanto a propagação adequada dessa incerteza resulta em sistemas mais robustos, seguros e generalizáveis.