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

这是一份关于论文《The Impact of Class Uncertainty Propagation in Perception-Based Motion Planning》（感知类运动规划中类别不确定性传播的影响）的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心挑战：自动驾驶车辆（AV）在复杂的城市环境中运行，感知和预测模块的输出 inherently 存在不确定性（如传感器噪声、遮挡、多模态未来轨迹）。然而，大多数现有的 AV 系统未能有效利用这些不确定性信息，或者未能正确处理预测模型输出的校准（Calibration）。
• 现有局限：
  • 虽然已有“不确定性感知”的规划器（Uncertainty-aware planners）能够利用预测的不确定性，但它们对预测不确定性的校准误差（miscalibration）非常敏感。
  • 现有的研究多集中在开环（open-loop）评估上，这种评估在每一步重置自车状态为真值，无法反映规划决策在闭环（closed-loop）中产生的累积效应（compounding effects）。
  • 目前尚不清楚感知和预测输出的不确定性校准程度，具体如何影响基于感知的运动规划性能，尤其是类别不确定性（Class Uncertainty）传播的影响。

2. 方法论 (Methodology)

为了量化不确定性传播和校准对运动规划的影响，作者提出了一套完整的评估框架：

A. 核心组件

1. 不确定性感知随机模型预测控制 (UA-SMPC)：

   • 作者提出了一种新的 UA-SMPC 公式，扩展了现有的 SMPC 框架。
   • 关键创新：直接整合来自多个智能体的多模态高斯混合模型（GMM）预测，并引入精确的概率碰撞避免约束。
   • 碰撞避免机制：不同于之前的凸近似方法（在多个智能体存在时过于保守），该方法通过马氏距离（Mahalanobis distance）计算，精确地定义了“禁止进入区域”（keep-out region），确保在给定覆盖率 $p$ 下，碰撞概率 $Pr(\text{no collision}) \ge p$。
   • 策略结构：采用参数化策略，第一时刻的控制量在所有模式间共享（基于实际观测），后续时刻则针对每个 GMM 模式进行特定优化，使规划器能适应智能体的实际行为。

2. 预测模型对比：

   • Trajectron++ (T++)：作为基线，是一个不确定性无关（uncertainty-agnostic）的预测模型，仅利用状态向量，不传播类别不确定性。
   • HAICU：基于 T++ 架构的改进版，是一个不确定性感知模型。它的关键区别在于将**类别概率（class probabilities）**纳入节点和边的历史中，从而显式地传播上游的感知不确定性。
   • 常数速度基线：用于对比的简单基准。

B. 实验设置

• 数据集：使用 nuPlan 大规模规划基准（包含闭环挑战场景）和 PUP 数据集（包含未过滤的类别概率，用于训练预测模型）。
• 评估模式：在 闭环（Closed-loop） 环境下进行端到端评估。自车根据规划轨迹行驶，并与具有反应能力的其他智能体（reactive agents）交互。
• 评估指标：
  • 预测指标：minADE5, minFDE5, 负对数似然 (NLL), 熵 (Entropy), 期望校准误差 (ECE)。
  • 规划指标：自车沿专家路线的进度 (Progress), 加加速度 (Jerk, 舒适度), 碰撞时间 (TTC, 安全性), 以及 nuPlan 的闭环综合评分 (Closed Loop Score)。

3. 主要贡献 (Key Contributions)

1. 提出 UA-SMPC 新公式：一种能够直接处理多智能体多模态 GMM 预测的随机 MPC 框架，具备精确的概率碰撞避免约束，避免了过度保守的近似。
2. 闭环环境下的深度分析：在 nuPlan 基准上，首次详细分析了类别不确定性传播对感知驱动运动规划的影响。通过对比 HAICU（传播不确定性）和 T++（不传播），隔离了不确定性传播的独立效应。
3. 敏感性分析：对规划框架进行了预测协方差校准的敏感性分析，量化了预测不确定性缩放（Scaling）对闭环性能的影响。

4. 实验结果 (Results)

A. 预测性能

• 在 PUP 数据集（有类别不确定性）上，HAICU 在准确性和分布校准（NLL, Entropy）上均显著优于 T++。
• 在 nuPlan 数据集（无类别不确定性）上，HAICU 无法利用其核心优势，点预测精度（minADE/minFDE）略低于 T++ 或常数速度基线。
• 关键发现：尽管 HAICU 在 nuPlan 上的点预测精度较差，但其分布校准质量（NLL/Entropy）更好。

B. 闭环规划性能

• 短视距 (3s)：T++ 在进度（Progress）上表现最好，但 HAICU 在安全性（TTC）和综合评分上领先。T++ 的高进度部分归因于其未能识别潜在风险（由于校准差）。
• 长视距 (8s)：
  • HAICU 支持的 UA-SMPC 在所有指标上（特别是闭环评分）显著优于其他方法。
  • T++ 支持的 UA-SMPC 性能急剧下降，表现出明显的保守或激进行为失衡。
  • 结论：对于基于 GMM 的不确定性感知规划器，分布质量（NLL/Entropy）比点预测精度（minADE/minFDE）更能决定规划性能。HAICU 校准良好的不确定性分布使规划器能做出更安全、更平滑的决策。

C. 敏感性分析

• HAICU：对协方差缩放表现出可预测的响应。减小不确定性（$\alpha < 1$）能提高进度但降低安全性，存在明显的进度 - 安全权衡。最佳性能出现在 $\alpha = 1/3$ 处，表明 HAICU 的原始预测略显保守。
• T++：表现出** erratic（不稳定）** 的行为，没有明显的单调趋势。这反映了其基础校准质量差，简单的缩放无法改善其性能，甚至导致规划失败。

D. 定性分析

• 在右转弯场景中，T++ 未能预测后方车辆的右转意图，导致规划器在关键时刻（$t=7$）未能规避风险，产生剧烈抖动。
• HAICU 准确预测了右转的高概率，UA-SMPC 据此提前调整轨迹，保持在低概率区域，实现了平滑且安全的通过。

5. 意义与结论 (Significance & Conclusion)

1. 校准优于精度：对于基于不确定性的运动规划，预测模型的**分布校准（Calibration）**比单纯的点预测精度更为关键。即使点预测误差较大，只要不确定性估计是校准良好的，规划器就能利用概率信息做出更优决策。
2. 不确定性传播的价值：显式地传播感知和预测中的类别不确定性（如 HAICU 所做），能显著提升规划器在复杂、长视距闭环场景中的泛化能力和安全性。
3. 规划器鲁棒性：规划器对校准良好的不确定性输入表现出鲁棒性和可预测性；而对校准不良的输入（如 T++），规划性能会剧烈波动。
4. 未来方向：研究指出了在 nuPlan 上直接训练包含感知不确定性模块的预测模型的重要性，以及探索状态不确定性传播（State Uncertainty Propagation）的必要性。

总结：该论文通过严谨的闭环实验证明，在自动驾驶运动规划中，“知道你不知道什么”（校准良好的不确定性）比“猜得有多准”（点预测精度）更重要。忽视不确定性校准会导致规划器在长视距和复杂场景下失效，而正确传播不确定性则是实现安全、鲁棒自动驾驶的关键。