（文章來源：蓋世汽車）

據外媒報道，日前，Waymo發布了人工智能模型VectorNet，據稱能顯著提高其無人駕駛系統預測行人、騎行者和駕駛員行為的能力。與以前的方法相比，VectorNet可提供更精確的投影，同時需要更少的計算資源。

自動駕駛汽車必須在沒有人類監督的情況下在充滿挑戰的環境中行駛，因此預測道路使用者的未來位置至關重要，否則，車輛無法正確應對各種環境。VectorNet旨在通過構建模型，對地圖信息進行編碼，從而幫助預測道路使用者的移動。與Cruise和Aurora一樣，Waymo也會收集自動駕駛汽車行駛區域的精確到厘米的高清地圖。

這些地圖與傳感器數據配對，可為Waymo全棧無人駕駛系統Waymo Driver提供情境。但是這些地圖只有被渲染成圖像，并利用場景信息（如交通燈、車道等）編碼后，才能集成到預測模型中。與需要計算昂貴進行地圖像素渲染的卷積神經網絡不同，VectorNet以矢量的形式（以數學方程為基礎，由點、線和曲線組成的示意圖）提取地圖和傳感器輸入信息。

Waymo使用矢量，如點、多邊形和曲線，來表示道路特征。具體而言，車道邊界包含多個點，形成一個樣條線（即曲線疊加在一起形成更長的連續曲線）。人行橫道是由至少兩個點組成的多邊形，停車標志則由一個點表示。這些地理實體可以通過由點及其屬性組成的折線（連接的線段）來近似表示，而移動的道路使用者可以根據其運動軌跡折線來估算。

圖神經網絡直接在圖形或由節點和邊緣組成的數學對象上運行。而在分層神經網絡VectorNet中，每個矢量都被當作一個節點，地圖數據以及道路使用者的軌跡將被傳遞給網絡中的目標節點。與目標道路使用者對應的特定輸出節點用于解碼運動軌跡。

VectorNet首先獲取折線級別的信息，然后將其傳遞給圖形，以建模折線之間的高階交互。VectorNet計算物體的未來軌跡，并捕捉矢量之間的關系，比如當車輛駛入十字路口或行人接近人行橫道時，從而更好地預測道路使用者的行為。

為了進一步提升VectorNet的預測能力，Waymo訓練系統從情境線索中學習，從而推斷車輛附近可能發生的事情。在訓練時，該公司研究人員隨機遮擋地圖的特征，例如十字路口的停車標志，并要求VectorNet完成丟失的元素。在將VectorNet用于Waymo的數據集和Argo AI的Argoverse的驗證測試中，與卷積神經網絡ResNet-18相比，其性能高出18%，同時平均僅使用29%的參數（變量），消耗20%的計算資源。
? ? ? （責任編輯：fqj）