MFTraj：无地图、行为驱动的自动驾驶轨迹预测

MFTraj：无地图、行为驱动的自动驾驶轨迹预测

• 论文链接：https://arxiv.org/pdf/2405.01266

附赠自动驾驶最全的学习资料和量产经验：链接

摘要

本文介绍了MFTraj：无地图、行为驱动的自动驾驶轨迹预测。本文引入了一种为自动驾驶定制的轨迹预测模型，其着重于在不依赖高精地图的情况下捕获动态交通场景中的复杂交互。该模型称为MFTraj，其利用历史轨迹数据与一种新型的基于动态几何图的行为感知模块相结合。该模型的核心为，一个自适应结构感知的交互图形卷积网络捕获道路使用者的位置和行为特征，保留空间-时间复杂性。通过线性注意力机制的增强，该模型实现了计算高效，并且减少了参数开销。在Argoverse、NGSIM、HighD和MoCAD数据集上的评估突出了MFTraj的鲁棒性和适应性，即使在不需要额外信息（例如高精地图或者矢量地图）的情况下，也优于很多基准。重要的是，即使在数据大量缺失的情况下，它也能够保持具有竞争力的性能，与大多数现有的最先进模型不相上下。研究结果和方法表明，自动驾驶轨迹预测取得了重大进展，为更安全、更高效的自动驾驶系统铺平道路。

主要贡献

本文的贡献总结如下：

1）本文提出了一种用于轨迹预测的高级无地图架构，其无需高精地图，从而大大节省了计算量；

2）本文提出了一种新型的动态几何图，其捕获了持续驾驶行为的本质，避开了手动标注的局限性。本文从交通心理学、认知神经科学和决策框架中集成了指标和行为标准，以构建一个提供不只是预测的模型；

3）基准评估突出了MFTraj的优越性，其在Argoverse、NGSIM、HighD和MoCAD数据集上的性能提升了接近5%。即使在数据缺失25%-62.5%的情况下，其一致的性能也进一步突出了其鲁棒性，这反映了其对不同交通动态情况的适应性和深刻理解。

论文图片和表格

总结

本项工作提出了一个无地图和行为感知的自动驾驶汽车轨迹预测模型，其集成了四个组件：行为感知模块、位置感知模块、交互感知模块和残差解码器。这些组件协同工作，以分析和解释各项输入、理解人机交互以及解释预测中固有的不确定性和可变性。本文使用Argoverse、NGSIM、HighD和MoCAD数据集进行评估，在没有额外地图信息的情况下，MFTraj在预测准确性和效率方面超越了SOTA基线。此外，该方法确保了其鲁棒性和适应性，即使存在大量数据缺失的情况下亦是如此。甚至在50%的顺序输入数据不足的情况下，该方法也能实现令人印象深刻的性能。这突出了MFTraj在预测车辆未来轨迹方面的适应性和效率，并且表明其有可能大幅度降低训练自动驾驶汽车的数据需求，特别是在数据缺失和数据场景受限的情况下。