基于车道目标引导的车辆轨迹预测

doi:10.19562/j.chinasae.qcgc.2023.08.006

摘要/Abstract

摘要：

有效融入车道线信息对准确预测车辆未来行驶轨迹具有重要意义。针对预测模型在融合车道线信息时存在效率低的问题，提出一种基于车道目标引导的车辆轨迹预测方法（GSA），在通过图网络融合车道段的几何及位置信息的基础上，从注意力模型出发，构建一种直接的车道目标点预测模块，由此监督模型将与车辆运动相关联的车道目标特征有效地融合到车辆的运动特征中，并考虑到周围车道拓扑结构随时间的变化。通过两个改进残差结构的Transformer网络依次提取低层运动特征以及融合车道目标点在时间尺度下的前后关联信息，逐步更新车辆运动特征。构建基于图网络的交互融合模块，使车辆运动特征在全局范围内聚合与传播。通过在Argoverse以及长安汽车轨迹预测数据集下的实验，验证了本文所提出的GSA方法能够有效提高复杂交通场景下车辆轨迹预测的精度和质量。

关键词: 轨迹预测, 地图特征编码, 目标引导

Abstract:

Effectively integrating lane information is significant for accurately predicting the future trajectory of vehicles. For the low efficiency problems existing in the fusion of lane information of the prediction model， a vehicle trajectory prediction method of Goal Supervised Attention （GSA） is proposed. Based on fusing the geometric and position information of the lane segment through the graph network， a lane goal prediction module is constructed in this paper starting from the attention model to directly supervise the model to fuse the lane goal features associated with vehicle motion into the vehicle’s motion characteristics while encoding changes in the surrounding lane topology over time. Through two Transformer networks with improved residual structure， low-level motion features are extracted and the correlation information of the lane goal at the time scale is fused sequentially to gradually update the vehicle motion features. An interaction fusion module based on a graph network is constructed to aggregate and propagate vehicle motion features globally. Experiments on the Argoverse and Changan vehicle trajectory prediction datasets show that the proposed GSA method can effectively improve the accuracy and quality of vehicle trajectory prediction in complex traffic scenarios.

Key words: trajectory prediction, map feature encoding, goal guided

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.

Jing Lian,Shuoxian Li,Yidi Liu,Dongfang Yang,Linhui Li. Goal Supervised Attention Network for Vehicle Trajectory Prediction[J]. Automotive Engineering, 2023, 45(8): 1353-1361.

图/表 11

图1

图2

图3

图4

图5

图6

表1

表2

图7

图8

图9

参考文献 21

1	耿新力 . 城区不确定环境下无人驾驶车辆行为决策方法研究［D］. 合肥：中国科学技术大学， 2017.
	GENG X L. Research on behavior decision⁃making approaches for autonomous vehicle in urban uncertainty environments ［D］. Hefei： University of Science and Technology of China， 2017.
2	王少博．动态场景下基于交互性预测的自动驾驶汽车轨迹规划方法研究［D］. 合肥：中国科学技术大学， 2020．
	WANG S B. Research on interaction-aware predictive trajectory planning for autonomous vehicle in dynamic environments ［D］. Hefei： University of Science and Technology of China， 2020.
3	GILLES T， SABATINI S， TSISHKOU D， et al. Gohome： graph-oriented heatmap output for future motion estimation ［C］. 2022 International Conference on Robotics and Automation （ICRA）. IEEE， 2022： 9107-9114.
4	NGIAM J， VASUDEVAN V， CAINE B， et al. Scene transformer： a unified architecture for predicting future trajectories of multiple agents ［C］. International Conference on Learning Representations （ICLR）. OpenReview， 2022：
5	ZHOU Z K， YE L Y， WANG J P， et al. HiVT： hierarchical vector transformer for multi-agent motion prediction ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2022： 8823-8833.
6	GAO J Y， 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 （CVPR）. IEEE， 2020： 11525-11533.
7	LIANG M， YANG B， HU R， et al. Learning lane graph representations for motion forecasting ［C］. European Conference on Computer Vision （ECCV）. Springer， 2020： 541-556.
8	ZENG W Y， LIANG M， LIAO R J， et al. LaneRCNN： distributed representations for graph-centric motion forecasting ［C］. IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2021： 532-539.
9	HUANG Z Y， MO X Y， LV C. Multi-modal motion prediction with transformer-based neural network for autonomous driving ［C］. International Conference on Robotics and Automation （ICRA）. IEEE， 2022： 2605-2611.
10	DEO N， WOLFF E， BEIJBOM O. Multimodal trajectory prediction conditioned on lane-graph traversals ［C］. Conference on Robot Learning （CoRL）. PMLR， 2022： 203-212.
11	ZHANG L， LI P L， CHEN J， et al. Trajectory prediction with graph-based dual-scale context fusion ［C］. International Conference on Intelligent Robots and Systems （IROS）. IEEE， 2022：
12	GU J R， SUN C， ZHAO H. DenseTNT： end-to-end trajectory prediction from dense goal sets ［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision （ICCV）. IEEE， 2021： 15303-15312.
13	VARADARAJAN B， HEFNY A， SRIVASTAVA A， et al. Multipath++： efficient information fusion and trajectory aggregation for behavior prediction ［C］. International Conference on Robotics and Automation （ICRA）. IEEE， 2022： 7814-7821.
14	HUANG G， SUN Y， LIU Z， et al. Deep networks with stochastic depth ［C］. European Conference on Computer Vision （ECCV）. Springer， 2016： 646-661.
15	TOUVRON H， CORD M， SABLAYROLLES A， et al. Going deeper with image transformers ［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision （ICCV）. IEEE， 2021： 32-42.
16	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 （CVPR）. IEEE， 2019： 8748-8757.
17	LOSHCHILOV I， HUTTER F. Decoupled weight decay regularization ［C］. International Conference on Learning Representations （ICLR）. OpenReview， 2018.
18	CHAI Y N， SAPP B， BANSAL M， et al. MultiPath： multiple probabilistic anchor trajectory hypotheses for behavior prediction ［C］. Conference on Robot Learning （CoRL）. PMLR， 2020： 86-99.
19	YE M S， CAO T Y， CHEN Q F. Tpcn： temporal point cloud networks for motion forecasting ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021： 11318-11327.
20	LIU Y C， ZHANG J H， FANG L J， et al. Multimodal motion prediction with stacked transformers ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. IEEE， 2021： 7577-7586.
21	DA F， ZHANG Y. Path-aware graph attention for HD maps in motion prediction ［C］. International Conference on Robotics and Automation （ICRA）. IEEE， 2022： 6430-6436.

模型	minADE₆/m	minFDE₆/m	missRATE₆/%
MultiPath^［18］	0.80	1.68	14
TPCN^［19］	0.73	1.15	11
LaneGCN^［7］	0.71	1.09	11
MMTr.^［20］	0.71	1.08	10
DenseTNT^［12］	0.73	1.05	10
PAGA^［21］	0.69	1.02
DSP^［11］	0.69	0.98	10
GSA-S	0.64	0.93	9
GSA-L	0.64	0.92	8

预测时长/s	minFDE₁/m	missRATE₁/%
3	2.12	19
8	9.18	56

[1]	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.
[2]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 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.
[3]	高镇海, 鲍明喜, 高菲, 唐明弘. 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.
[4]	韩勇,林旭洁,黄红武,蔡鸿瑜,罗金镕,李燕婷. 典型汽车碰撞事故场景中行人运动轨迹预测方法[J]. 汽车工程, 2023, 45(6): 1022-1030.
[5]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[6]	汪梓豪,蔡英凤,王海,陈龙,熊晓夏. 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.
[7]	张哲雨,吕超,李景行,熊光明,吴绍斌,龚建伟. 基于车辆视角数据的行人轨迹预测与风险等级评定[J]. 汽车工程, 2022, 44(5): 675-683.
[8]	郭景华,何智飞,罗禹贡,李克强. 人机混驾环境下基于深度学习的车辆切入轨迹预测[J]. 汽车工程, 2022, 44(2): 153-160.
[9]	吴晓建,燕冬,王爱春,黄菊花,伍磊,周兵. 融合前车轨迹预测的改进人工势场轨迹规划研究[J]. 汽车工程, 2021, 43(12): 1752-1761.
[10]	张一鸣, 周兵, 吴晓建, 崔庆佳, 柴天. 基于前车轨迹预测的高速智能车运动规划^*[J]. 汽车工程, 2020, 42(5): 574-580.
[11]	谢枫, 娄静涛, 赵凯, 齐尧. 基于行为识别和曲率约束的车辆轨迹预测方法研究^*[J]. 汽车工程, 2019, 41(9): 1036-1042.
[12]	焦新宇, 杨殿阁, 江昆, 曹重, 谢诗超, 王思佳. 基于端到端学习机制的高速公路行驶轨迹曲率预测^*[J]. 汽车工程, 2018, 40(12): 1494-1499.