18、CILF：用于分布外车辆轨迹预测的因果启发学习框架

CILF：用于分布外车辆轨迹预测的因果启发学习框架

1. 引言

轨迹预测对于自动驾驶车辆的感知和规划模块至关重要，能够降低碰撞风险。目前，大多数轨迹预测方法采用深度神经网络，通过建模历史轨迹与未来轨迹之间的相关性来进行预测。然而，这种相关性的鲁棒性依赖于独立同分布（i.i.d.）假设，导致模型在处理分布外（OOD）数据时表现不佳。

近年来，因果表示学习逐渐成为解决分布外泛化问题的热门方法。基于结构因果模型（SCM），本文提出了一种分布外因果图（OOD - CG），将潜在特征分为三类：域不变因果特征（IC）、域可变因果特征（VC）和域可变非因果特征（VN），这些特征受到混杂因素（C）和域选择器（D）的影响。为了利用因果特征进行轨迹预测，还提出了一种因果启发学习框架（CILF）。

主要贡献如下：
- 提出理论模型OOD - CG，明确阐述分布外泛化问题的因果机制和结构。
- 基于因果表示学习，提出CILF框架，包含三个步骤来阻断与IC、VC和VN相关的后门路径，使模型能够利用因果特征进行预测。

2. 相关工作

• 车辆轨迹预测 ：近期工作广泛采用序列到序列（Seq2seq）框架，如S - LSTM、CS - LSTM、DESIRE和MFP等模型。但这些方法仍面临OOD泛化挑战，威胁自动驾驶车辆的安全。
• 分布外泛化 ：以往方法主要通过域适应（DA）和域泛化（DG）处理OOD泛化问题。由于获取目标域样本困难，本文采用域泛化范式。
• 因果启发的域泛化方法 ：部