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.

Autonomous vehicles (AVs) are anticipated to supersede human drivers with an expectation of improved safety and operation. As pedestrians are the most vulnerable road users, autonomous vehicles ought to pay special attention to these agents to mitigate the number of traffic accidents involving them. Recent literature on the perception of AVs has presented deep learning models focused on predicting the movement of pedestrians by either anticipating their actions or predicting their future trajectories. While the former may be easier to predict, the latter enables the AV to incorporate knowledge about how the environment is about to change. This information improves vital tasks to the ability of anticipation, such as active perception, predictive path planning, predictive control, and human-robot interaction. However, the application of deep learning models increases the importance of evaluating the reliability and efficacy of these models before they can be applied in practice since their predictions are subject to noise and inference errors. In this work, we study how to train a deep learning model to predict pedestrian trajectories and the multivariate predictive uncertainty of such models with minimum architectural changes. In addition, we incorporate mathematical conditions to ensure the numerical stability during training. Our experiments using the PIE dataset show how our methodology applied to a feedback-based network outperforms the BayesianLSTM, the only model in this field able to estimate its uncertainty. We evaluate the quality of the predictive uncertainty obtained for each trajectory in the test set using the sparsification plot and bi-dimensional histograms. The evaluation indicates a strong correlation between the predictive uncertainty and the mean squared error of each sample, ensuring the correctness of our methodology.