導讀：

本文提出了一種動態軌跡預測方法，通過結合歷史幀和歷史預測結果來提高預測的穩定性和準確性。它引入了歷史預測注意力模塊，以編碼連續預測之間的動態關系，并通過三重因子注意力模塊實現了最先進的性能。本方法能夠生成準確且穩定的未來軌跡，這對于自動駕駛系統落地至關重要。??【深藍AI】編譯

01本文概要

在自動駕駛中，精確預測道路智能體的未來軌跡至關重要。現有的方法主要采用了一種靜態的范式：通過固定長度的歷史幀來預測未來的軌跡。然而，這些方法在相鄰時間戳中獨立進行預測，可能會引起預測的不穩定性和不一致性。考慮到連續時間戳中的歷史軌跡大量重疊，預測結果應當展現出內在的相關性，例如，重疊的預測軌跡應保持一致，或者在不同的情況下，根據道路狀況共享相同的運動目標。

基于這些考慮，作者提出了HPNet——一種創新的動態軌跡預測方法。為了確保軌跡預測的穩定性和準確性，我們的方法不僅利用了包括地圖和智能體狀態的歷史幀，還考慮了歷史預測結果。具體來說，我們設計了一個全新的歷史預測注意力模塊，用于自動捕捉連續預測之間的動態關系。此外，該模塊通過利用歷史預測，擴大了注意力的范圍，使其超越了當前可見的窗口。

作者提出的歷史預測注意力，結合智能體注意力和模式注意力，被整合為三重因子注意力模塊，構成了HPNet的核心架構。在Argoverse和INTERACTION數據集上的實驗驗證了HPNet的先進性能，證明其能夠生成準確且穩定的未來軌跡預測。

▲圖1｜之前方法和作者的方法之間的差異。之前的方法(上方)將軌跡預測視為靜態任務，基于固定長度的歷史幀預測未來軌跡。它們即使在相鄰時間戳也獨立地進行預測，盡管輸入數據存在大量重疊。相反，HPNet(下方)將軌跡預測視為動態任務。它不僅利用歷史幀，還使用歷史預測嵌入來進行預測軌跡。??【深藍AI】編譯

02方法

本文提出的HPNet如下圖所示。本模型由三部分組成：時空上下文編碼、三重因子注意力和多模態輸出。首先，智能體和車道的時空特征與可學習的模式查詢聚合，以生成可以初步預測未來軌跡的預測嵌入。然后，進行三重因子注意力處理，包括智能體注意力、歷史預測注意力和模式注意力，以精煉預測嵌入。其中，智能體注意力模擬智能體之間的互動，模式注意力模擬不同模式（即不同預測路徑）之間的互動，而歷史預測注意力是我們提出的一個新模塊，用于動態地模擬當前和歷史預測之間的內在關聯。最后，通過多層感知器（MLP）解碼預測嵌入，以獲得預測軌跡，這些軌跡再次輸入整個流程，以提高未來預測的精確度。

▲圖2｜HPNet的概覽??【深藍AI】編譯

■2.1 時空上下文編碼模塊

●智能體特征編碼：將每個智能體在每個時間戳的位置、運動狀態、語義屬性等信息，通過兩個多層感知機（MLP）編碼成智能體節點嵌入。同時利用相對坐標系提取運動方向等信息。

●道路特征編碼：將道路段的位置、長度、屬性等信息，也通過兩個多層感知機（MLP）編碼成道路節點嵌入。此外，構建道路節點之間的連接關系，如相鄰、前驅、后繼等。

●時空注意力：采用時間注意力和空間注意力兩個并行模塊。時間注意力用于聚合智能體的歷史時序信息，而空間注意力用于建模智能體與道路之間的交互。將這兩種注意力的結果相加，得到初始預測嵌入。

■2.2 三重因子注意力模塊

●智能體注意力：對每個時間戳和預測模式下的智能體節點，進行自注意力計算，以建模智能體間的相互影響。一方面，智能體注意力模型模擬了智能體在各自的時空上下文中的相互作用。另一方面，它也可以被視為不同智能體未來軌跡之間的相互作用，從而減少潛在的碰撞風險。

●歷史預測注意力：通過使用當前預測嵌入與之前一段時間的所有預測嵌入進行注意力計算，從而建模當前預測與歷史預測之間的動態關系。這不僅提高了預測的穩定性和準確性，還擴大了注意力的范圍。而且歷史預測注意力模塊不需要額外的訓練時間和推理開銷，僅通過注意力機制建模歷史預測信息。因此能夠在不增加復雜度的情況下提升模型性能。

●模式注意力：在前兩個注意力機制的基礎上，對不同預測模式之間進行自注意力建模，進一步增強多模態輸出的表達能力。它通過建模不同預測軌跡之間的相互影響，增強了模型對未來不確定性的理解能力，從而產生更加穩定可靠的預測結果。

■2.3 多模態輸出模塊

經過三重注意力機制優化的預測嵌入，將通過多層感知機（MLP）解碼為多模態的未來軌跡。因為在自動駕駛等應用場景中，智能體未來的行為存在很大不確定性，通過輸出多個可能的未來軌跡，而不是單一的預測，可以更好地反映這種未來不確定性。

03結構展示

作者在Argoverse和INTERACTION數據集上進行了實驗，展示了其在動態軌跡預測方面的先進性能。

▲表1｜與最先進方法在Argoverse測試集上的性能比較，其中b-minFDE是官方排名指標。對于每個指標，最佳結果以粗體顯示，次佳結果下劃線。??【深藍AI】編譯

▲表2｜與最先進方法在INTERACTION測試集上的性能比較。對于每個指標，最佳結果以粗體顯示，次佳結果下劃線。??【深藍AI】編譯

▲表3｜三重因子注意力的消融實驗。實驗在Argoverse驗證集上進行。??【深藍AI】編譯

▲圖3｜作者的HPNet和沒有歷史預測注意力的基線在Argoverse驗證集上的預測準確性（b-minFDE↓）和穩定性（累計ADE↓）的比較。??【深藍AI】編譯

▲圖4｜(a) 基線(b) HPNet。在Argoverse驗證集上的定性結果。車道、歷史軌跡、ground truth軌跡和六個預測軌跡分別用灰色、綠色、紅色和藍色表示。??【深藍AI】編譯

▲圖5｜HPNet(下)和基線(上)的預測結果??【深藍AI】編譯

04總結

作者提出了一種新穎的動態軌跡預測方法——HPNet。設計了一個歷史預測注意力模塊，用于模擬連續預測之間的動態關系。它采用歷史預測嵌入來指導當前預測，使得預測軌跡更加準確和穩定。在Argoverse和INTERACTION數據集上的實驗表明，作者提出的HPNet實現了最先進的性能，并且還證明了歷史預測注意力模塊可以有效提高模型的準確性和穩定性。