要旨: 軌道予測モデルは、学習時とテスト時の条件間の分布シフトにより、実環境の自動運転ではしばしば失敗します。このような分布シフトは、行動（behavioral）であれ環境（environmental）であれ、モデルが未知の状況で誤った予測を行うことにつながるため、重大なリスクをもたらします。私たちは、観測された軌道の前半から後半を予測する自己教師ありタスクに対して、デコーダを事後（post-hoc）に自己教師ありで学習する方法を提案します。この予測損失に関するデコーダの最終層に対する勾配のL2ノルムは、分布シフトを特定するためのスコアを定義します。提案手法は、第一に軌道予測モデルに影響を与えず、元の予測性能との干渉がないことを保証し、第二に、ShiftsおよびArgoverseデータセットにおける軌道予測の分布シフト検出で、大幅な改善を示します。さらに、この手法がHighwayシミュレータにおける深層Qネットワーク（deep Q-Network）モーションプランナの衝突を早期に検出するためにも利用できることを示します。ソースコードは https://github.com/Michedev/forecasting-the-past で公開されています。
過去を予測する：軌跡予測における勾配ベースの分布シフト検出
arXiv cs.LG / 2026/4/15
💬 オピニオンIdeas & Deep AnalysisModels & Research
要点
- 本論文は、自動運転において学習時とテスト時の条件が分布シフトによって異なるため、軌跡予測モデルの性能が劣化するという問題に取り組む。
- 観測された軌跡の後半を予測するデコーダを学習する自己教師ありのポストホック手法を提案し、デコーダの最終層に関する勾配の L2 ノルムを分布シフトのスコアとして用いる。
- 元の軌跡予測モデルに干渉しないことを目的として、追加するデコーダのみを別ステップで学習する設計になっている。
- 実験では、Shifts データセットおよび Argoverse データセットにおける分布シフト検出で顕著な改善が報告されている。
- 本手法は、Highway シミュレータ内の deep Q-network（DQN）ベースのモーションプランナにおける衝突の早期警報メカニズムとしても示されている。
