連靜, 丁榮琪, 李琳輝, 王雪成, 周雅夫

(1.大連理工大學(xué) 工業(yè)裝備結(jié)構(gòu)分析國家重點實驗室, 遼寧 大連 116024; 2.大連理工大學(xué) 汽車工程學(xué)院, 遼寧 大連 116024)

0 引言

由于交通環(huán)境中的復(fù)雜交互行為,導(dǎo)致車輛未來軌跡具有高動態(tài)性、隨機性的特點,使得軌跡預(yù)測問題充滿挑戰(zhàn)。軌跡預(yù)測作為自動駕駛系統(tǒng)中承上啟下的重要環(huán)節(jié),對車輛合理決策、安全行駛具有重要意義。因此,車輛軌跡預(yù)測方法研究成為自動駕駛領(lǐng)域探索的一個重要方向[1]。預(yù)測方法通常由場景建模、特征提取融合和軌跡估計三部分組成,其中場景建模和特征提取融合對于提高預(yù)測軌跡精度具有重要作用[2]。

場景建模方法可以分為兩類:一類將地圖語義信息渲染成柵格化地圖,如CoverNet[3]和MultiPath[4]等方法,將道路元素和車輛觀測軌跡分別渲染成不同顏色和形狀的掩膜,使圖片同時包含環(huán)境信息和車輛交互信息。這類方法極大地降低了場景建模的復(fù)雜度,但存在柵格化過程中部分有效信息丟失和柵格圖感受野有限等問題[5]。另一類是基于圖論的場景建模方法,例如LaneRCNN[6]和LaneGCN[7]等方法,將有向無環(huán)圖用于表示高精度地圖中的車道連接關(guān)系[8],增強網(wǎng)絡(luò)對復(fù)雜拓?fù)涮卣鞯奶崛∧芰Α４送?Trajectron++[9]還將圖模型拓展到車輛交互,實現(xiàn)了動態(tài)場景的圖模型表示。這類方法能實現(xiàn)部分場景的準(zhǔn)確建模,可有效擴展地圖感受野,實現(xiàn)對數(shù)據(jù)長距離依賴關(guān)系的高效提取。但上述方法均是從單一角度對場景建模,未同時涵蓋動態(tài)和靜態(tài)特征。為實現(xiàn)交通場景的完整描述,本文方法分別利用車道圖和車交互圖對交通場景建模,從數(shù)據(jù)角度確保場景特征的完整。

對應(yīng)于上述兩種場景建模方法,代表性特征提取融合方法分別是圖像卷積和注意力機制。對于圖像卷積,常被用來隱式提取車道拓?fù)浣Y(jié)構(gòu)和車輛間交互。柵格化建模方法MultiPath[4]和HOME[10]利用卷積神經(jīng)網(wǎng)絡(luò)完成車輛-環(huán)境特征交互融合。這種方式可以顯著減少參數(shù)量和計算量,且由于其參數(shù)共享的特性,對特征有一定的記憶性[11],但作為一種隱式的特征提取方法,缺乏可解釋性。對于注意力機制[12],則被用來顯式完成中間特征的交互融合。Mercat等[13]將多頭注意力中的多頭用來表示場景中多種可能的交互方式;曾偉良等[14]將時空圖注意力應(yīng)用于交叉路口的車輛軌跡預(yù)測。但這些方法僅使用了一種注意力機制,為充分發(fā)揮其優(yōu)勢,本文除利用多頭交叉注意力[13]模擬環(huán)境-車輛特征的多種交互可能外,還在車輛交互提取階段利用自注意力機制,根據(jù)信息重要程度為特征分配不同注意力權(quán)重,以有效克服循環(huán)神經(jīng)網(wǎng)絡(luò)的部分缺點,提高特征質(zhì)量,增加模型可解釋性。

基于以上分析,本文從場景建模和特征融合兩個角度入手,提出一種基于圖模型和注意力機制的多模態(tài)軌跡預(yù)測方法。與現(xiàn)有工作相比,本文的主要貢獻包括:1)采用基于圖模型的場景建模方法,同時對交通場景靜態(tài)環(huán)境和動態(tài)交互進行建模,實現(xiàn)場景信息的完整表達;2)采用多種注意力機制完成車輛交互特征的提取和交通場景中靜態(tài)信息與動態(tài)信息的高效融合,增加模型的可解釋性。在Argoverse軌跡預(yù)測數(shù)據(jù)集上進行測試,實驗結(jié)果表明,相比于當(dāng)前主流方法,預(yù)測指標(biāo)有不同程度的提高。

1 預(yù)測模型構(gòu)建

1.1 軌跡預(yù)測問題描述

車輛軌跡預(yù)測,即根據(jù)被預(yù)測車輛觀測信息和環(huán)境信息來估計未來一段時間內(nèi)的軌跡。輸入包括過去時間段L內(nèi),車輛的觀測軌跡Pobs={(xt-L,yt-L),…,(xt,yt)}和觀測狀態(tài)Sobs={(vt-L,at-L,ht-L),…,(vt,at,ht)},其中(x,y)表示俯視圖中車輛中心坐標(biāo),(v,a,h)分別表示車輛的速度、加速度和朝向角度,下標(biāo)表示車輛的觀測時刻。此外,地圖信息對實現(xiàn)精確的軌跡預(yù)測同樣重要[4-5]。道路的拓?fù)浣Y(jié)構(gòu)決定著車輛未來的可能行駛方向,車道的走向和紅綠燈信息影響著車輛的未來軌跡分布。因此,軌跡預(yù)測輸入還包括高精度地圖信息,其中包含由車道拓?fù)潢P(guān)系、中心線坐標(biāo)序列組成的幾何信息和由紅綠燈狀態(tài)、車道類型等組成的語義信息。

1.2 軌跡預(yù)測模型

圖1為本文預(yù)測模型,按照編碼-交互-解碼結(jié)構(gòu)設(shè)計,分為三部分:特征提取、特征融合和軌跡生成。模型輸入包括包含地圖信息的車道圖和包含觀測軌跡及車輛間交互關(guān)系的車交互圖;通過車道圖卷積操作提取地圖特征,通對車交互圖節(jié)點進行累加獲得聚合特征,并由聚合特征進行自注意力加權(quán)獲取車輛交互信息;然后利用堆疊的注意力模塊,即車輛交互信息對地圖特征進行注意力加權(quán)(車輛對車道注意力,Vehicle to Lane Attention,V2L),再由加權(quán)的地圖特征對車輛交互信息進行注意力篩選(車道對車輛注意力,Lane to Vehicle Attention,L2V),得出融合地圖信息與交互信息的編碼特征;最終通過軌跡生成模塊實現(xiàn)對交互特征的解碼,生成預(yù)測軌跡及對應(yīng)置信度評分。

圖1 預(yù)測模型總體結(jié)構(gòu)

2 交通場景建模

2.1 車道圖構(gòu)建

所用地圖數(shù)據(jù)包含多組車道及對應(yīng)的連接關(guān)系。每條車道由多個分段對應(yīng)中心線組成,中心線是俯視圖車道中心的位置坐標(biāo)序列。對于車道連接關(guān)系,車輛不違反交通規(guī)則能夠直接到達的車道分段則視為相互連通。

類似于LaneGCN[7],采用車道圖來表示地圖數(shù)據(jù),如圖2左下圖所示,圓點表示圖節(jié)點,箭頭代表車道分段的連接關(guān)系。組成一條車道的每個分段看作一個圖節(jié)點。對預(yù)測場景,首先獲得與預(yù)測車輛相關(guān)的車道,即以當(dāng)前時刻車輛位置為中心,沿車道方向劃定矩形邊界框,對框內(nèi)與被預(yù)測車輛當(dāng)前所處車道相互連通的車道進行采集,以減少計算量,提高預(yù)測速度。綜合考慮預(yù)測時長和軌跡長度,邊界框長寬均取100 m。

圖2 車道圖及車交互圖構(gòu)建示意圖

將采集到的車道轉(zhuǎn)換成有向圖G(v,{pre,suc,left,right}),其中v表示車道段,即圖中節(jié)點;道路的拓?fù)浣Y(jié)構(gòu)通過不同邊的連接關(guān)系來表示,分別是前續(xù)(pre)、后繼(suc)、左鄰(left)和右鄰(right),車道節(jié)點間鄰接關(guān)系代表類型的邊。此后,將使用車道節(jié)點來替代車道段的說法。每個車道節(jié)點嵌入信息包含語義信息和幾何信息,語義信息由獨熱向量表示,代表該段車道是否為轉(zhuǎn)彎車道,當(dāng)前是否由紅燈控制;幾何信息包括該段車道的中心序列。

2.2 車交互圖構(gòu)建

將當(dāng)前的交通場景中車輛交互關(guān)系抽象成一個時空圖G(V,E),其中,節(jié)點V表示不同車輛,圖邊E表示不同車輛之間的交互行為,如圖2右下圖所示,圓點表示車輛節(jié)點,箭頭表示車輛之間的交互行為。判斷車輛之間是否會有交互行為,依據(jù)是當(dāng)前時刻兩車之間的歐式距離,若距離小于某一閾值d(本文取d=40 m),則認(rèn)為車輛之間會有交互行為產(chǎn)生,在圖中表現(xiàn)為邊連接。每個節(jié)點嵌入信息包含觀測軌跡信息Pobs和狀態(tài)信息Sobs。此處采用有向圖來對交通場景進行建模,相比于無向圖[15-16],有向圖更能夠體現(xiàn)出交通場景中車輛之間不對稱的影響[9]。

3 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

3.1 特征提取

對車道圖采用車道卷積操作[7]進行地圖特征提取。當(dāng)車道圖給定時,首先對節(jié)點信息進行編碼?？紤]到節(jié)點的形狀特性(大小和方向)和位置特性(中心坐標(biāo)),通過下式進行特征提取,得到表征該節(jié)點的特征向量為

(1)

(2)

式中:F0和Fr分別表示預(yù)測車輛當(dāng)前所處車道節(jié)點及其鄰接節(jié)點特征,r表示節(jié)點之間的鄰接關(guān)系;W0表示可訓(xùn)練的權(quán)重矩陣;A表示節(jié)點鄰接矩陣;c為超參數(shù),表示膨脹大小。當(dāng)r∈{pre,suc}時c∈{1,2,4,16,32},當(dāng)r∈{left,right}時取c=1;即膨脹卷積操作只對當(dāng)前節(jié)點的前續(xù)和后繼節(jié)點,因為車道的長距離依賴通常只是沿車道方向發(fā)生。

車道圖特征提取模塊基于上述車道圖卷積操作。由車道圖卷積層和線性連接層組成的殘差塊,經(jīng)過4次堆疊,輸出特征通道數(shù)為128的車道圖特征向量Fveh。

圖3 車輛交互特征融合結(jié)構(gòu)示意圖

(3)

按照節(jié)點間連接關(guān)系,將所有節(jié)點特征向量進行逐元素的疊加求和,得到節(jié)點聚合特征Hn。特征聚合方式選擇疊加求和而不是拼接[5],是為了利用確定的網(wǎng)絡(luò)結(jié)構(gòu)來處理圖中節(jié)點數(shù)量隨場景不同而變化的問題,而且能夠保存節(jié)點數(shù)量信息[17-18]。由于自注意力機制能減少對外部信息的依賴,擅長捕捉數(shù)據(jù)內(nèi)部相關(guān)性[19-20],將聚合特征由如下自注意力網(wǎng)絡(luò)進行交互建模,得到表征車輛相互影響的特征。

(4)

3.2 特征融合

在軌跡預(yù)測任務(wù)中,輸入信息包含了時變的車輛狀態(tài)軌跡信息以及結(jié)構(gòu)復(fù)雜的地圖信息,此處采用堆疊的多頭注意力機制,使生成預(yù)測軌跡的特征向量能夠?qū)Ｗ⒂谧钪匾奶卣鱗21]。該模塊受人類駕駛習(xí)慣啟發(fā):當(dāng)車輛在道路中行駛時,駕駛員首先關(guān)注的是道路的拓?fù)浣Y(jié)構(gòu),因為這決定著駕駛員可能的行駛方向,然后根據(jù)周圍交通環(huán)境,如與周圍車輛的交互,確定具體的路徑。

模塊中車輛對車道注意力通過車交互圖特征對車道圖特征進行注意力篩選,將交通信息引入道路特征;車道對車輛注意力通過隱含交通信息的車道圖向量對車交互圖特征進行注意力編碼,完成地圖信息與車輛交互信息的融合。兩部分擁有相同的結(jié)構(gòu),但不共享參數(shù)。每個部分均包含兩個殘差塊,每塊中包含一個多頭注意力層、一個全連接層和一個殘差連接,結(jié)構(gòu)如圖4所示。

圖4 車輛對車道注意力部分(V2L)結(jié)構(gòu)示意圖

以車輛對車道注意力為例,輸入包括車輛交互特征向量Fveh和車道圖特征向量Flane。為實現(xiàn)車輛對車道注意力,即車交互圖特征對車道圖特征進行注意力加權(quán)編碼,將車輛信息引入道路特征;參照式(4)使用Fveh計算Qi,使用Flane計算Ki、Vi。特征編碼過程如式(5)所示。

(5)

式中:Hi表示第i個頭所表示的車道圖特征;F′lane表示經(jīng)全連接融合后的車道圖特征向量。由于F′lane中包含了觀測軌跡、狀態(tài)和環(huán)境等多種信息,需要足夠的維度來表示,參考文獻[13]將特征方向上的通道數(shù)定為128。再與Flane做殘差連接并歸一化,得出篩選后的車道圖特征。

3.3 軌跡生成

車輛未來軌跡天然就是多模態(tài)的[1],首先,車輛行駛的意圖會有多種可能,表現(xiàn)為多個可能的目的地;其次,即使同一目的地也會有不同的到達路徑。對于給出的多條預(yù)測軌跡,根據(jù)置信度評分獲取最大概率預(yù)測軌跡。預(yù)測軌跡生成模塊以特征融合模塊的輸出,即車交互圖特征向量I作為輸入,得到k條(本文k=6)多模態(tài)預(yù)測軌跡及其對應(yīng)置信度評分。該模塊一共兩個分支,回歸分支負(fù)責(zé)生成k條多模態(tài)預(yù)測軌跡,分類分支產(chǎn)生每條軌跡對應(yīng)的置信度評分。

對于回歸分支,融合模塊輸出向量I通過一個帶有殘差模塊的三層全連接網(wǎng)絡(luò),得到預(yù)測軌跡

(6)

(7)

(8)

3.4 損失函數(shù)

對車道圖與車交互圖建模完成后,后續(xù)整個網(wǎng)絡(luò)中的模塊均是可微的,因此實驗采用下面的損失函數(shù)來端到端地訓(xùn)練整個網(wǎng)絡(luò)。損失函數(shù)對應(yīng)于上述兩條預(yù)測分支

Ltotal=aLreg+Lcls

(9)

式中:Ltotal表示全部損失;Lreg表示回歸損失;Lcls表示分類損失;α為超參數(shù),用于平衡網(wǎng)絡(luò)的回歸和分類權(quán)重,此處α=1。

對于回歸損失,為防止模式崩潰,且希望預(yù)測軌跡終點能夠準(zhǔn)確命中真實駕駛意圖,使得預(yù)測軌跡與真實軌跡相近,對于被預(yù)測車輛的k條預(yù)測軌跡,選擇其中具有最小最終距離誤差的預(yù)測軌跡P用以計算回歸損失,采用平滑L1損失對每個預(yù)測時間點進行計算:

(10)

(11)

式中:T為預(yù)測時長;pt為第t時刻最小最終位移誤差預(yù)測軌跡的坐標(biāo);為第t時刻真實軌跡的坐標(biāo);xi表示x中的第i個元素,x為預(yù)測軌跡與真實軌跡之間的偏移誤差。平滑L1損失定義如下式:

(12)

對于分類損失,為生成多樣的預(yù)測結(jié)果和增強預(yù)測軌跡的可信度,在試驗了多種損失函數(shù)(負(fù)對數(shù)似然損失、交叉熵?fù)p失和最大間隔損失)之后,最終選擇對P的置信度評分Opred做最大間隔損失,得出分類損失:

(13)

4 實驗結(jié)果及分析

4.1 數(shù)據(jù)集

采用Argoverse軌跡預(yù)測數(shù)據(jù)集[22]對本文方法進行評估。數(shù)據(jù)集包含340k+條從邁阿密和匹茲堡收集的真實駕駛數(shù)據(jù)。每條數(shù)據(jù)時長為5 s(50幀),包含車輛的標(biāo)簽及位置序列等信息,前2 s數(shù)據(jù)用作模型輸入,后3 s真實軌跡用于訓(xùn)練預(yù)測模型及驗證模型預(yù)測效果。整個數(shù)據(jù)集分為三個部分:205k+條訓(xùn)練數(shù)據(jù)、39k+條驗證數(shù)據(jù)和78k+條測試數(shù)據(jù),其中測試數(shù)據(jù)只包含前2 s信息。除車輛的軌跡序列外,數(shù)據(jù)集還提供矢量化的高精度地圖,包括精確的車道信息及中心線連接信息、柵格化的可行駛區(qū)域信息和道路高度信息。

4.2 參數(shù)設(shè)置

實驗運行在安裝有Ubuntu 18.04 LTS操作系統(tǒng)的服務(wù)器上,主要硬件配置包括CPU Intel Xeon E5-2620、GPU NVIDIA Titan X和32G RAM,使用Pytorch1.4.0深度學(xué)習(xí)框架。首先對數(shù)據(jù)集數(shù)據(jù)進行預(yù)處理,將交通場景中車輛軌跡數(shù)據(jù)和高精地圖轉(zhuǎn)化成相應(yīng)的車交互圖和車道圖,然后對整個模型進行訓(xùn)練。訓(xùn)練批次大小設(shè)置為72,共36個輪次。

采用數(shù)據(jù)集基準(zhǔn)中提供的基本預(yù)測參數(shù)與評價指標(biāo)?；绢A(yù)測參數(shù)包括多模態(tài)數(shù)量為k=1和k=6,預(yù)測軌跡時長3 s;評價指標(biāo)包括最小平均位移誤差(minADEk)、最小最終位移誤差(minFDEk)和漏失率(MRk),這些評價指標(biāo)同時適用于單模態(tài)(k=1)和多模態(tài)(k=6)軌跡預(yù)測,分別表示如下:

(14)

(15)

(16)

(17)

4.3 實驗結(jié)果

使用數(shù)據(jù)集中測試集數(shù)據(jù)進行軌跡預(yù)測,將得到的結(jié)果與數(shù)據(jù)集提供的基準(zhǔn)預(yù)測方法和另外4種主流模型進行對比,結(jié)果如表1所示。對比模型分別為采用恒定速度的基準(zhǔn)方法、采用加權(quán)最鄰近回歸的基準(zhǔn)方法、采用多頭注意力的軌跡預(yù)測方法(Jean)、由終點驅(qū)動的軌跡預(yù)測(TNT)方法和圖注意力方法(WIMP)。評價指標(biāo)越小,表示模型預(yù)測結(jié)果與真實軌跡之間偏移越小,預(yù)測越準(zhǔn)確。

表1 預(yù)測結(jié)果對比

從表1中可以看出,本文提出方法在平均位移誤差和終點位移誤差上均優(yōu)于目前主流方法。其中,相較于采用恒定速度的基準(zhǔn)預(yù)測方法,本文方法在單模態(tài)指標(biāo)上分別提升41.2%、42.8%、25.9%,在多模態(tài)指標(biāo)上分別提升63.2%、75.1%、78.2%;相較于采用加權(quán)最鄰近回歸的基準(zhǔn)預(yù)測方法,在單模態(tài)指標(biāo)上分別提升49.5%、50.6%、31.0%,在多模態(tài)指標(biāo)上分別提升49.7%、58.8%、72.2%?；鶞?zhǔn)方法由于只考慮軌跡數(shù)據(jù),完全忽略車輛所處的交通環(huán)境和場景交互信息,且所用預(yù)測方法較為簡單,因此在整個軌跡預(yù)測任務(wù)中精度最低。相比于Jean方法,本文方法在單模態(tài)指標(biāo)上分別提升0%、8%、13%,在多模態(tài)指標(biāo)上分別提升14%、5%、-15%。 本文方法考慮了交通環(huán)境對預(yù)測軌跡的影響,并將其與車輛間交互特征進行綜合考慮,說明多頭注意力機制能夠充分考慮交通場景的環(huán)境特征和交互特征,提高軌跡預(yù)測精度。相比于TNT方法,本文方法在單模態(tài)指標(biāo)上分別提升2%、1%、-1%,在多模態(tài)指標(biāo)上分別提升8%、12%、-15%;相比于WIMP方法,在單模態(tài)指標(biāo)上分別提升4%、3%、4%,在多模態(tài)指標(biāo)上分別提升4%、5%、11%。上述兩種方法僅使用單獨的圖方法對場景建模,進一步證明了本文方法使用車道圖和車交互圖對交通場景建模的有效性,可有效提高預(yù)測軌跡的準(zhǔn)確性。

為了更加直觀地分析預(yù)測結(jié)果,將預(yù)測結(jié)果進行可視化,圖5展示了部分預(yù)測結(jié)果。

圖5 預(yù)測結(jié)果可視化

如圖5所示,真實軌跡總是與某條預(yù)測軌跡重合,表明本文方法能夠準(zhǔn)確預(yù)測車輛軌跡。如圖5(a)、圖5(b)和圖5(c)所示,模型能夠根據(jù)車輛自身狀態(tài)(歷史軌跡、速度和所在位置)和地圖信息,給出合理多樣的預(yù)測軌跡,從而體現(xiàn)出意圖的多樣性。同時,模型對于車輛的速度也能夠準(zhǔn)確進行預(yù)測,如圖5(d)所示,當(dāng)車輛以較高速度通過彎道時,預(yù)測軌跡較為集中,一致沿當(dāng)前或臨近車道呈現(xiàn)不同的速度分布,而低速時則會如圖5(a)中呈現(xiàn)出多種可能的方向。如圖5(e)所示,為起步加速過程,模型預(yù)測軌跡與真實軌跡一致。如圖5(f)所示,當(dāng)車輛沿車道持續(xù)斜向行駛時,模型也能夠識別到車輛換道意圖,從而給出恰當(dāng)?shù)念A(yù)測。

4.4 消融實驗

為了觀察各個模塊在整個模型中所發(fā)揮的作用,本文通過消融實驗對模型進行研究。實驗以包含車輛觀測軌跡和狀態(tài)信息的車交互圖為基礎(chǔ),然后逐步加入車道圖和特征融合模型組件,在驗證集數(shù)據(jù)上進行軌跡預(yù)測,預(yù)測結(jié)果如表2所示。

表2 消融實驗預(yù)測結(jié)果

由表2可知,以僅含車交互圖的模型所獲得的評價指標(biāo)為準(zhǔn),隨著V2L模型組件和L2V模型組件的逐步添加,所有評價指標(biāo)均在不斷減小,表明所有模塊均有助于提升模型預(yù)測準(zhǔn)確率,驗證了所有模型組件的有效性。當(dāng)特征融合模塊僅包含V2L時,評價指標(biāo)相較于只有車交互圖的模型分別提升15.0%、7.5%、11.9%、18.0%;當(dāng)特征融合模塊僅包含L2V時,相較于只有車交互圖的模型分別提升23.8%、18.4%、18.8%、27.1%,表明僅利用車交互圖所包含的信息,不足以實現(xiàn)準(zhǔn)確的軌跡預(yù)測,而車道圖為軌跡預(yù)測提供的環(huán)境信息,對提高預(yù)測精度有極大的幫助,且前者較后者提升幅度更大,表明L2V部分在特征融合模塊中發(fā)揮著更重要的作用。當(dāng)特征融合模塊同時包含V2L和L2V兩部分之后,預(yù)測精度達到最優(yōu),表明特征融合是雙向的,任何一部分的缺失都會導(dǎo)致預(yù)測效果的下降。因此,本文充分考慮交通場景的靜態(tài)特性和動態(tài)交互,并實現(xiàn)高效融合,用于車輛軌跡預(yù)測,取得領(lǐng)先于主流方法的優(yōu)秀效果。

為探究不同多模態(tài)軌跡數(shù)量k和不同預(yù)測時長對預(yù)測結(jié)果的影響,本文還對驗證集預(yù)測軌跡進行了統(tǒng)計研究,結(jié)果分別如圖6和圖7所示。

圖6 多模態(tài)預(yù)測軌跡數(shù)量對預(yù)測結(jié)果的影響

圖7 預(yù)測時長對預(yù)測結(jié)果的影響

圖6為3 s預(yù)測時長下不同多模態(tài)預(yù)測軌跡數(shù)量k對預(yù)測結(jié)果的影響。由圖6可知,k與預(yù)測指標(biāo)minADE和minFDE均呈負(fù)相關(guān)趨勢,即k越大,預(yù)測指標(biāo)數(shù)值越小。在對預(yù)測軌跡進行評價時,由評價指標(biāo)定義可知,k值越大,表明單個預(yù)測智能體被納入評價的軌跡越多,有更大可能統(tǒng)計到更準(zhǔn)確的預(yù)測軌跡,因此使k與評價指標(biāo)呈負(fù)相關(guān)趨勢。

圖7為不同預(yù)測時長對預(yù)測結(jié)果的影響。由圖7可知,隨著預(yù)測時間的增長,各預(yù)測指標(biāo)數(shù)值均呈現(xiàn)不同程度的增長,表明預(yù)測時長越長,模型的預(yù)測準(zhǔn)確度越差。這是因為當(dāng)預(yù)測時長較短,如1 s左右時,車輛狀態(tài)更多由動力學(xué)因素決定,會有更大概率保持原有的運動狀態(tài)行進,因此更容易被模型所預(yù)測;當(dāng)預(yù)測時長更長,如3 s甚至更長時,影響車輛未來軌跡的因素更多是車輛之間的交互、車道的拓?fù)潢P(guān)系和走向等,這類特征建模對模型有更高的要求,使長時的軌跡更不容易被準(zhǔn)確預(yù)測。

5 結(jié)論

本文提出了一種基于有向圖模型和注意力機制的軌跡預(yù)測方法。通過場景建模、特征提取融合和預(yù)測軌跡解碼實現(xiàn)了結(jié)構(gòu)化道路場景中車輛多模態(tài)軌跡的預(yù)測,并對模型開展了消融研究。得出主要結(jié)論如下:

1)通過將高精度地圖和車輛間交互轉(zhuǎn)化為有向圖,能夠?qū)崿F(xiàn)交通場景靜態(tài)特征和動態(tài)交互特征的準(zhǔn)確建模,以及場景信息的完整描述;

2)多種注意力機制的使用,可高效完成特征提取和融合,增加模型的可解釋性;

3)實驗結(jié)果表明,本文方法能夠有效預(yù)測各場景下的車輛未來軌跡,且具有較高的準(zhǔn)確度及泛化能力。

但本文預(yù)測方法交互圖建模時,只考慮車輛之間的交互,且依賴高精度地圖對交通場景建模,因此適用于有高精度地圖覆蓋的結(jié)構(gòu)化道路場景。未來研究中,在本文方法基礎(chǔ)上,可考慮面向包含行人、騎行者和車輛的混雜交通場景,開展算法拓展研究。同時,對于無高精度地圖覆蓋場景,探索接入基于車載傳感器生成的局部矢量地圖,可以提升算法對更多場景的適應(yīng)性。