基于图卷积交互网络的车辆轨迹预测方法

doi:10.19562/j.chinasae.qcgc.2024.10.013

摘要/Abstract

摘要：

精确预测邻近车辆的未来轨迹对自动驾驶汽车的决策和运动规划至关重要，现有研究倾向于利用递归神经网络（RNN）对车辆的时间交互进行建模，但其对车辆交互建模的可解释性差，忽略了实际的车道结构，在捕捉车辆与其环境的交互方面存在不足。为解决这一问题，本文提出了一种基于图卷积交互网络的考虑车道拓扑约束的车辆轨迹预测模型。其中车辆交互关系提取模块在构建车辆的空间关系时增加了边缘权重，以考虑车辆的邻近交互，使交互更具可解释性；行驶场景表征模块旨在通过从高精地图中提取车道拓扑来提高车辆轨迹预测的准确性；轨迹预测模块将上述两个模块的输出进行集成，并输出预测的未来轨迹。这种集成允许对道路结构和车辆行驶轨迹之间的相互作用进行更精确的建模。实验结果表明，与主流方法相比，该模型在Argoverse数据集上取得了良好的性能，提高了复杂道路结构下车辆轨迹规划的准确性和合理性。

关键词: 自动驾驶汽车, 轨迹预测, 图卷积网络, 交互建模

Abstract:

Accurate prediction of the future trajectory of surrounding vehicles is crucial to the decision-making and motion planning of autonomous vehicle. Existing research tends to use Recurrent Neural Networks （RNN） to model the time interaction of vehicles， but its interpretability of vehicle interaction modeling is poor， ignoring the actual lane structure， and there are deficiencies in capturing the interaction between vehicles and the environment. To address this problem， in this paper， a vehicle trajectory prediction model based on graph convolutional interactive networks that considers lane topology constraints is proposed. The vehicle interaction relationship extraction module adds edge weights when constructing the spatial relationship of vehicles to consider their neighboring interaction， making the interaction more interpretable. The driving scene representation module aims to improve the accuracy of vehicle trajectory prediction by extracting lane topology from high-precision maps. The trajectory prediction module integrates the output of the above two modules and outputs the predicted future trajectory. This integration allows for more precise modeling of the interaction between road structures and vehicle driving trajectories. The experimental results show that compared with mainstream methods， this model has achieved good performance on the Argoverse dataset， improving the accuracy and rationality of vehicle trajectory planning under complex road structures.

Key words: autonomous vehicle, trajectory prediction, graph convolution network, interaction behavior

王梦茜,蔡英凤,王海,饶中钰,陈龙,李祎承. 基于图卷积交互网络的车辆轨迹预测方法[J]. 汽车工程, 2024, 46(10): 1863-1872.

Mengxi Wang,Yingfeng Cai,Hai Wang,Zhongyu Rao,Long Chen,Yicheng Li. Vehicle Trajectory Prediction Method Based on Graph Convolutional Interaction Network[J]. Automotive Engineering, 2024, 46(10): 1863-1872.

图/表 9

图1

图2

图3

图4

表1

图5

图6

表2

图7

参考文献 25

1	CAI Y， DAI L， WANG H， et al. DLnet with training task conversion stream for precise semantic segmentation in actual traffic scene［J］. IEEE Transactions on Neural Networks and Learning Systems， 2021， 33（11）： 6443-6457.
2	ZHOU J， OLOFSSON B， FRISK E. Interaction-aware motion planning for autonomous vehicles with multi-modal obstacle uncertainty predictions［J］. IEEE Transactions on Intelligent Vehicles， 2023.
3	胡启慧，蔡英凤，王海，等. 基于层次图注意的异构多目标轨迹预测方法［J］. 汽车工程， 2023， 45（8）： 1448-1456.
	HU Qihui， CAI Yingfeng， WANG Hai， et al. Heterogeneous multi-object trajectory prediction method based on hierarchical graph attention［J］. Automotive Engineering， 2023， 45（8）： 1448-1456.
4	汪梓豪，蔡英凤，王海，等. 基于单目视觉运动估计的周边多目标轨迹预测方法［J］. 汽车工程， 2022， 44（9）： 1318-1326.
	WANG Zihao，CAI Yingfeng，WANG Hai， et al. Surrounding multi-target trajectory prediction method based on monocular visual motion estimation［J］. Automotive Engineering， 2022， 44（9）： 1318-1326.
5	高镇海，鲍明喜，高菲，等. 基于LSTM概率多模态预期轨迹预测方法［J］. 汽车工程， 2023， 45（7）： 1145-1152.
	GAO Zhenhai， BAO Mingxi， GAO Fei， et al. The method of probabilistic multi-modal expected trajectory prediction based on LSTM［J］. Automotive Engineering， 2023， 45（7）： 1145-1152.
6	DANIELSSON S， PETERSSON L， EIDEHALL A. Monte Carlo based threat assessment： analysis and improvements［C］. 2007 IEEE Intelligent Vehicles Symposium. IEEE， 2007： 233-238.
7	LEFÈVRE S， LAUGIER C， IBAÑEZ-GUZMÁN J. Exploiting map information for driver intention estimation at road intersections［C］. 2011 IEEE Intelligent Vehicles Symposium （iv）. IEEE， 2011： 583-588.
8	FIRL J， STÜBING H， HUSS S A， et al. Predictive maneuver evaluation for enhancement of car-to-x mobility data［C］. 2012 IEEE Intelligent Vehicles Symposium. IEEE， 2012： 558-564.
9	AOUDE G S， DESARAJU V R， STEPHENS L H， et al. Behavior classification algorithms at intersections and validation using naturalistic data［C］. 2011 IEEE Intelligent Vehicles Symposium （iv）. IEEE， 2011： 601-606.
10	MORRIS B T， TRIVEDI M M. Trajectory learning for activity understanding： unsupervised， multilevel， and long-term adaptive approach［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2011， 33（11）： 2287-2301.
11	LI Z， WANG B， GONG J， et al. Development and evaluation of two learning-based personalized driver models for pure pursuit path-tracking behaviors［C］. 2018 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2018： 79-84.
12	CHANDRA R， BHATTACHARYA U， BERA A， et al. Traphic： trajectory prediction in dense and heterogeneous traffic using weighted interactions［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 8483-8492.
13	DIEHL F， BRUNNER T， LE M T， et al. Graph neural networks for modelling traffic participant interaction［C］. 2019 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2019： 695-701.
14	连静，李硕贤，刘一荻，等. 基于车道目标引导的车辆轨迹预测［J］. 汽车工程， 2023， 45（8）： 1353-1361.
	LIAN Jing， LI Shuoxian， LIU Yidi， et al. Goal supervised attention network for vehicle trajectory prediction［J］. Automotive Engineering， 2023， 45（8）： 1353-1361.
15	CHAI Y， SAPP B， BANSAL M， et al. Multipath： multiple probabilistic anchor trajectory hypotheses for behavior prediction［J］. arXiv preprint arXiv：， 2019.
16	HONG J， SAPP B， PHILBIN J. Rules of the road： predicting driving behavior with a convolutional model of semantic interactions［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 8454-8462.
17	GAO J， SUN C， ZHAO H， et al. VectorNet： encoding HD maps and agent dynamics from vectorized representation［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 11525-11533.
18	LIANG M， YANG B， HU R， et al. Learning lane graph representations for motion forecasting［C］. Computer Vision-ECCV 2020： 16th European Conference， Glasgow， UK， August 23-28， 2020， Proceedings， Part II 16. Springer International Publishing， 2020： 541-556.
19	LI X， YING X， CHUAH M C. Grip++： enhanced graph-based interaction-aware trajectory prediction for autonomous driving［J］. arXiv preprint arXiv：， 2019.
20	CHANG M F， LAMBERT J， SANGKLOY P， et al. Argoverse： 3D tracking and forecasting with rich maps［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 8748-8757.
21	ZHAO H， GAO J， LAN T， et al. TNT： target-driven trajectory prediction［J］. arXiv preprint arXiv：， 2020.
22	GILLES T， SABATINI S， TSISHKOU D， et al. HOME： heatmap output for future motion estimation［J］. arXiv preprint arXiv：， 2021.
23	LIU Y， ZHANG J， FANG L， et al. Multimodal motion prediction with stacked transformers［C］. 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）， Nashville， TN， USA， 2021： 7573-7582.
24	BHATTACHARYYA P， HUANG C， CZARNECKI K. SSL-Lanes： self-supervised learning for motion forecasting in autonomous driving［C］. Conference on Robot Learning. PMLR， 2023： 1793-1805.
25	PARK D， RYU H， YANG Y， et al. Leveraging future relationship reasoning for vehicle trajectory prediction［J］. arXiv preprint arXiv：， 2023.

模型模块				K=1		K=6
AgentGCN	LaneGCN	预测模块		min ADE	min FDE	min ADE	min FDE
10 m + D-W	LaneGCN	MLP	GRU	min ADE	min FDE	min ADE	min FDE
			√	4.10	9.14	2.62	5.46
√			√	2.98	6.24	1.28	2.15
√	√	√		2.77	5.74	1.20	1.97
√	√		√	2.09	4.67	0.82	1.25

模型	minADE	minFDE	MR
GRIP++	1.40	2.52	0.31
TNT	0.94	1.54	0.13
LaneGCN	0.87	1.36	0.16
HOME	0.92	1.36	0.11
mmTransformer	0.84	1.34	0.15
SSL-Lanes	0.84	1.25	0.13
FRM	0.82	1.27	0.14
Our Model	0.82	1.25	0.14

[1]	李道飞,潘豪. 场景复杂度评估在轨迹预测和驾驶决策中的应用[J]. 汽车工程, 2024, 46(9): 1556-1563.
[2]	朱冰,范天昕,赵健,张培兴,宋东鉴,薛越,赵文博. 自动驾驶拟人连续交互测试场景生成方法[J]. 汽车工程, 2024, 46(9): 1600-1607.
[3]	张国娟,胡宏宇,李浩淼,王明剑,高菲,高镇海. 自动驾驶车辆乘坐舒适性评价研究综述[J]. 汽车工程, 2024, 46(9): 1617-1627.
[4]	李琳辉,付一帆,王霆,王雪成,连静. 引入自监督预训练的轨迹预测方法[J]. 汽车工程, 2024, 46(7): 1219-1227.
[5]	黄晶,刘祥臻,邓潇阳,陈然. 基于多模态轨迹预测的智能车轨迹规划研究[J]. 汽车工程, 2024, 46(6): 965-974.
[6]	王国栋,刘立,孟宇,杜海平,白国星,顾青. 自动驾驶汽车避撞极限研究[J]. 汽车工程, 2024, 46(6): 985-994.
[7]	杜国栋,邹渊,张旭东,孙文景,孙巍. 基于双估计强化学习结合前向预测控制的自动驾驶运动控制研究[J]. 汽车工程, 2024, 46(4): 564-576.
[8]	张培兴,秦孔建,朱冰,赵健,范天昕,赵文博. 自动驾驶仿真多逻辑场景综合评价方法[J]. 汽车工程, 2024, 46(3): 375-382.
[9]	周亦威,夏莫,朱冰. 城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究[J]. 汽车工程, 2024, 46(3): 396-406.
[10]	桑海峰,赵梓杉,王金玉,陈旺兴. 基于车辆轨迹预测对抗性攻击与鲁棒性研究[J]. 汽车工程, 2024, 46(3): 407-417.
[11]	付新科,蔡英凤,陈龙,王海,刘擎超. 不确定性环境下的自动驾驶汽车行为决策方法[J]. 汽车工程, 2024, 46(2): 211-221.
[12]	杨彪, 韦智文, 倪蓉蓉, 王海, 蔡英凤, 杨长春. 基于动作条件交互的高效行人过街意图预测[J]. 汽车工程, 2024, 46(1): 29-38.
[13]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[14]	连静,李硕贤,刘一荻,杨东方,李琳辉. 基于车道目标引导的车辆轨迹预测[J]. 汽车工程, 2023, 45(8): 1353-1361.
[15]	朱向雷,吴志新,张宇飞,赵帅,李克秋,孙博华. 基于场景降维及采样方法的场景库优化方法研究[J]. 汽车工程, 2023, 45(8): 1408-1416.