Modelagem multivariada da incerteza preditiva de modelos de aprendizado profundo para predição de trajetória de pedestres aplicados a câmeras móveis acopladas a veículos autônomos

• Ano de defesa: 2023
• Autor(a) principal: Castro, Augusto Ribeiro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: aprendizado profundo; autonomous vehicles; deep learning; estimativa de incerteza; pedestrian safety; pedestrian trajectory prediction; predição de trajetória de pedestres; segurança de pedestres; uncertainty estimation; veículos autônomos
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-23012024-145624/

É esperado que veículos autônomos (VAs) substituam motoristas humanos com expetativa de melhorias de segurança e de operação. Como pedestres são os usuários mais vulneráveis das rodoviais, os veículos autônomos têm o dever de prestar atenção especial a esses agentes para mitigar o número de acidentes de trânsito que os envolvem. A literatura recente em percepção de VAs apresenta métodos focados em predizer o movimento de pedestres tanto antecipando as ações quanto predizendo as futuras trajetórias. Enquanto a primeira pode ser mais fácil de predizer, a última possibilita o VA incorporar conhecimento sobre como o ambiente está prestes a mudar. Essa informação aprimora tarefas vitais para a habilidade de antecipação, como a percepção ativa, planejamento preditivo de trajetória, controle preditivo e interação humano-robô. Entretanto, a aplicação de modelos de aprendizado profundo aumenta a importância de se avaliar a confiabilidade e a eficácia desses modelos antes de utilizá-los na prática, uma vez que as predições obtidas estão sujeitas a ruídos e erros do processo de inferência. Neste trabalho é estudado como treinar um modelo de aprendizado profundo para predizer trajetórias de pedestres e a incerteza preditiva multivariada do modelo com mudanças mínimas na arquitetura. Além disso, são incorporadas condições matemáticas para garantir a estabilidade numérica durante o treinamento. A metodologia proposta aplicada a um modelo baseado em realimentação avaliado no conjunto de dados PIE supera a LSTM Bayesiana, o único modelo neste campo de pesquisa capaz de estimar a própria incerteza das predições. Este trabalho avalia a qualidade da incerteza preditiva obtida nesse experimento para cara trajetória do conjunto de testes utilizando curvas de esparsificação e histogramas bi-dimensionais. A avaliação indica uma correlação forte entre a incerteza preditiva e o erro quadrático médio de cada amostra, garantindo a corretude da metodologia proposta.