4. 不确定性基础理论
在端到端自动驾驶系统中，模型输出的“我不确定”必须被量化、被解释、被约束。本章建立不确定性估计的数学地基：从概率论出发，区分两类本质不同的不确定性，用贝叶斯推断描述学习过程，用熵与互信息度量信息量，最后用校准与可靠性图把“置信度”拉回真实世界。
一、核心原理：两类不确定性的物理含义
在驾驶场景中，不确定性并非单一概念。工程上通常拆分为两类：
- 偶然不确定性（Aleatoric Uncertainty）：数据本身固有的噪声，例如雨天摄像头成像模糊、激光雷达点云稀疏、传感器量化误差。它不可通过增加训练数据消除，只能通过更好的传感器或更鲁棒的建模缓解。
- 认知不确定性（Epistemic Uncertainty）：模型因知识不足而产生的不确定，例如遇到训练集中从未出现的异形车辆、施工锥桶摆放方式。它可以通过增加覆盖该场景的数据来降低。
这一区分直接决定安全策略：偶然不确定性高时，应降低车速、增大跟车距离；认知不确定性高时，应触发保守策略或请求远程接管。若把两者混为一谈，系统会在“没见过”的场景中错误地自信。
二、贝叶斯推断：从先验到后验的更新链
贝叶斯推断把参数视为随机变量，用观测数据不断修正信念。其核心公式为：
P(θ | D) = P(D | θ) · P(θ) / P(D)
其中：
P(θ) 先验分布，代表训练前的知识
P(D | θ) 似然，代表给定参数下观测到数据的概率
P(θ | D) 后验分布，代表看到数据后的信念
P(D) 证据，用于归一化在端到端驾驶中，贝叶斯推断常用于：轨迹预测的后验采样、感知置信度的在线更新、以及贝叶斯神经网络中的权重不确定性传播。工程上常用变分推断或蒙特卡洛 dropout 近似后验，避免精确积分带来的计算爆炸。
三、熵与互信息：信息量的度量尺
熵衡量随机变量的平均不确定性。对于离散分布 p(x)，香农熵为：
H(X) = - Σ p(x) · log p(x)
互信息：
I(X; Y) = H(X) - H(X | Y)
= H(Y) - H(Y | X)在驾驶任务中，熵可用于判断模型对某一帧的“犹豫程度”：分类头输出接近均匀分布时熵高，说明模型无法区分“行人”与“骑行者”。互信息则用于衡量两个模态之间的信息共享程度，例如摄像头与激光雷达的融合是否真正带来了互补信息，而非冗余重复。
四、校准与可靠性图：让置信度说真话
一个模型说“我有 90% 把握”，并不意味着它在 90% 的情况下正确。校准（Calibration）就是让预测置信度与实际准确率对齐。可靠性图（Reliability Diagram）是评估校准的核心工具：横轴为预测置信度分桶，纵轴为每个桶内的实际准确率，理想情况下应落在对角线上。
常见校准方法包括温度缩放（Temperature Scaling）、Platt 缩放和等渗回归。温度缩放最简单有效：在 softmax 前除以温度参数 T，用验证集优化 T 使负对数似然最小。
# 温度缩放示例
logits = model(x)
scaled_logits = logits / T
probs = softmax(scaled_logits)
# T > 1 使分布更平滑，降低过度自信
# T < 1 使分布更尖锐，提升欠自信| 概念 | 度量对象 | 驾驶场景示例 | 工程应对 |
|---|---|---|---|
| 偶然不确定性 | 数据噪声 | 雨雾导致图像模糊 | 多传感器融合、滤波 |
| 认知不确定性 | 模型知识缺口 | 未见过的异形障碍物 | 集成、OOD 检测、接管 |
| 熵 | 单次预测的犹豫度 | 分类头输出接近均匀 | 阈值监控、降级 |
| 互信息 | 模态间信息共享 | 摄像头与激光雷达互补性 | 融合权重调整 |
| 校准误差 | 置信度与准确率偏差 | 模型过度自信 | 温度缩放、可靠性图 |
五、案例与场景：一个完整的判断链
假设车辆在城市道路行驶，前方出现一个被部分遮挡的移动目标。感知模块输出分类分布：行人 0.45、骑行者 0.40、其他 0.15。此时熵较高，说明模型犹豫。进一步通过贝叶斯神经网络多次前向传播，发现认知不确定性显著高于偶然不确定性，说明模型对该类遮挡目标缺乏训练。系统据此触发保守策略：减速至 20 km/h，增大安全距离，并请求远程监控确认。若可靠性图显示该置信度区间长期过度自信，则需在验证集上重新拟合温度参数。
六、复盘：从理论到工程落地的检查清单
- 是否区分了偶然不确定性与认知不确定性，并分别设计了应对策略？
- 是否用贝叶斯推断或近似方法传播了模型不确定性？
- 是否监控了熵与互信息，并设定了合理的阈值？
- 是否绘制了可靠性图，并完成了温度缩放等校准？
- 是否在分布外场景中验证了校准效果，而非仅在测试集上？