融合復雜網絡和記憶增強網絡的軌跡預測技術 *

趙高士，陳 龍，蔡英鳳，廉玉波，王 海，劉擎超，滕成龍

（1. 江蘇大學汽車工程研究院，鎮江 212013；2. 江蘇大學汽車與交通工程學院，鎮江 212013；3. 比亞迪汽車工業有限公司汽車工程研究院，深圳 518118）

前言

自動駕駛汽車（automous driving vehicle， ADV）顛覆人們的出行模式和工具選擇，被寄予厚望去解決長期以來交通系統面臨的安全、效率、節能等挑戰。當前，相關研究和應用已引起世界各國政府、車企與供應商、消費者以及投資機構等的高度重視和關注。在自動駕駛汽車“環境感知-決策規劃-控制執行”3 大技術路線中，基于目標感知和跟蹤結果的軌跡預測技術，屬于高層次感知和認知，在感知到決策中發揮了承上啟下的關鍵作用。周邊交通參與者的行駛軌跡預測是將目標歷史運動信息轉化為對其未來時空位置信息的預測，對于避免自車與其他車輛或障礙物發生碰撞，實現安全高效的自動駕駛具有重要意義。

駕駛環境是一個具有多樣性、動態性的復雜系統，同時包括路面和標線等各種靜態對象以及車輛和行人等復雜的動態對象。各交通要素之間的交互性對于精確預測軌跡意義非凡，智能體不僅要注意周邊其他交通參與者，還應受到道路以及交規的約束，以便適應場景中交通參與者的速度，讓出路權或合并到相鄰車道。為實現這種交互性，相關學者提出了不同的交互機制，社交池化（Social LSTM［1］，Desire［2］）通過將場景中不同對象之間的交互信息整合到卷積核中，學習軌跡間的關系。Alahi 等［1］在LSTM（long short-term memory）網絡的基礎上提出了一種名為Social-LSTM 的模型。該模型引入了社交池化層來描述固定大小空間內行人之間的交互作用；基于圖神經網絡的方法（Trajectron++［3］，PGP）將軌跡間的關系編碼為圖結構來學習圖中節點和邊的特征；注意力機制（Scene Transformer［4］，Social Attention［5］）憑借其強大的能力提高了軌跡預測精度，但可解釋性會受到負面影響。上述交互機制通過捕捉周圍其他交通參與者的交互特征用于后續的預測，同時，也有許多研究利用車輛和地圖之間的交互特征，利用圖編碼器學習每個參與者的局部車道圖表示，并通過交互模塊在局部圖表示之間有效傳遞消息，以實現軌跡預測。然而，現有軌跡預測算法在考慮空間交互特性時，通常基于目標間歐氏距離的大小來對空間交互關系進行建模。對于車輛而言，不同的車輛行駛狀態參數和尺寸會導致相同歐氏距離下產生不同的交互影響力，因此常規方法不能有效地描述車輛間復雜的交互特性。

針對現有交互建模方法存在的不足，本文引入了復雜網絡（complex network）對復雜交通場景進行刻畫。復雜網絡是一種研究復雜系統的重要解決方案，它可以描述各種現實世界中的系統。例如，基于復雜網絡的社交網絡分析可以幫助企業進行精準營銷和輿情監測［6］，相關學者利用復雜網絡幫助城市規劃師設計更高效的交通系統［7］。但是，目前缺乏將復雜網絡與微觀交通聯系起來的相關研究，基于此，本文中利用復雜網絡描述和分析微觀交通系統中的交通參與者（如車輛、行人等）之間及交通參與者與地圖之間的復雜交互關系，能夠有效刻畫微觀交通系統的動態演化過程。

此外，現有相關工作都采用基于參數的方法，該方法通過模型訓練來優化模型參數，將所有經驗隱式地總結為一個整體存儲在模型中［8］。盡管在不同方法中采用各種不同的架構（編碼器-解碼器［9-10］、生成器-鑒別器［11-12］、條件變分自編碼器［3］），但基于參數的方法在可解釋性和性能方面存在一定缺陷。首先，因為其通常表現為“黑箱”模式，缺乏中間過程的展示而缺乏可解釋性。其次，訓練數據中包含許多與當前場景不相關的實例，可能會對模型的預測結果產生負面影響。為解決這一限制，Xu 等［8］提出了一種基于記憶增強網絡（memory-augmented networks， MAN）的框架，該框架在當前預測和歷史數據之間建立了更明確的聯系，提供了更好的可解釋性和預測性能。記憶增強網絡最早由DeepMind團隊在論文《Neural Turing Machines》中提出，該模型引入了外部內存來增強神經網絡的記憶能力。隨著研究的進步，記憶增強網絡被進一步優化并廣泛應用，相關研究表明它在處理少樣本學習任務［13］和序列任務［14］中具有不錯的表現。最近，在自動駕駛軌跡預測方面，一些研究采用記憶增強網絡來捕獲車輛運動軌跡的語義信息，并將其用于車輛［15］或行人［8］的軌跡預測。

整體來說，現有的多模態軌跡預測研究在交互建模和預測框架方面存在一定缺陷，影響了多模態軌跡預測的精度和可解釋性。為此，本文中提出了融合復雜網絡和記憶增強網絡的多模態自動駕駛軌跡預測方法。該方法基于復雜網絡理論，將自身所在的交通場景建模為由交通參與者層和道路層構成的雙層動態復雜網絡。以雙層復雜網絡節點的動力學為指導，構建了一個擬人的三步走軌跡預測系統，首先利用記憶增強網絡預測目標點，其次判斷道路節點出邊的可達性得到參考軌跡，最后以參考軌跡為條件獲得整個預測軌跡。這樣的預測方式將復雜問題分解為簡單問題以獲得更好的預測精度，且更具有可解釋性。

本文所提出的方法在建模與編碼時考慮了智能體的行駛速度、加速度、航向角等行駛狀態參數和形狀尺寸，同時也考慮了智能體與道路的相互影響。采用高斯可變安全場來表述交通參與者之間復雜的交互影響，并進一步計算目標間風險大小作為交通參與者層邊的權重，彌補了常規歐氏距離方法對交互關系建模的不足，更加真實準確地反映了復雜環境中智能體間的交互關系。未來軌跡目標點的預測采用基于記憶增強網絡的方法，使用內存庫存儲過去特征和對應的未來目標點。前向計算中使用內存尋址器搜索與當前場景特征相似的過去特征，獲取其對應的目標點，進而聚類產生多模態的未來目標點。道路層節點出邊的可達性體現了交通參與者層對道路層的影響，設計并訓練了一個二分類模型，更新自車周邊的道路層節點出邊狀態。最后，采用圖遍歷的方法獲得預測起點到預測終點的多模態參考路徑，并以此為條件解碼得到預測結果。

在公開數據集nuScenes 上的驗證結果顯示，最小平均位移誤差為1.37 m，最小最終位移誤差為8.13 m，性能優異且具有較好的可解釋性。

本文的主要貢獻有：

（1） 將復雜網絡和記憶增強神經網絡進行融合，構建了雙層動態復雜網絡模型，實現了高可靠性和可解釋性的多模態軌跡預測，解決了復雜交通場景中交通參與者軌跡預測不準確、適用性和可解釋性差的問題。

（2） 構建了一種由注意力機制和包含風險權重的社交池組成的復雜網絡編碼模塊，實現了動態復雜場景中交通參與者與道路約束之間作用特征的全面有效提取。

（3） 構建了以參考軌跡為條件的軌跡解碼模塊，實現了兼顧精度和可解釋性的多模態軌跡輸出。

1 基于復雜網絡和記憶增強網絡的軌跡預測算法

1.1 問題描述

以感興趣車輛及附近其他交通參與者的過去軌跡和場景高清地圖作為模型輸入，預測感興趣車輛的未來軌跡。本文將智能體i過去th個時間步長的歷史軌跡表示為一系列運動狀態向量Xi=每個運動狀態向量s包括了智能體在該時間步長的鳥瞰圖位置坐標(xit，yti)、速度vit、加速度ait、偏航率ωit：sit={xit，yti，vit，ait，ωit}。為考慮未來軌跡分布的多樣性，為目標車輛生成了K條軌跡：Y={Y1，…，Yk，…，YK}，每條軌跡包含了未來tf個時間步長內的x-y坐標對，Yk=每條軌跡代表了預測分布中的一種可能的運動路徑。

圖1 為所提模型的整體框架。以雙層動態網絡為指導，分3 步進行軌跡預測。主要包括：（1）采用復雜網絡編碼器提取交通參與者層交互特征，并更新道路層節點；（2）通過目標點預測器預測未來目標點；（3）利用軌跡解碼器判斷道路節點出邊可達性后結合目標點生成參考軌跡，以參考軌跡為條件解碼獲得最終預測結果。

圖1 CN-MAN整體框架圖

1.2 基于復雜網絡的場景交互建模

擬人化的自動駕駛技術在提高自動駕駛的安全性和舒適性方面具有潛在的優勢。人類駕駛員在高級別駕駛中能夠依靠其高效的綜合認知能力應對復雜的交通場景，復雜網絡作為研究復雜系統的工具，可以通過模擬交通場景中的各種因素，生成更加真實的交通場景模型。這種模型可以幫助自動駕駛系統更好地理解和應對復雜的交通環境，從而提高自動駕駛的擬人化水平。

本文提出了一種建模自動駕駛車輛所在的微觀場景的雙層復雜網絡模型，其中第1 層為交通參與者層，第2層為道路層。

1.2.1 交通參與者層與道路層

在第1層網絡中，將交通參與者定義為節點，交通參與者之間的交互關系即風險關系定義為節點之間的邊構造了交通參與者層Gat=(Va，Ea，Wa)t。其中，Gat代表第1 層網絡，交通參與者層：Va是第1 層節點的集合；Ea是第1 層邊的集合；Wa為邊的權值集合，表示節點之間的交互關系，權值的計算如圖2所示。

圖2 交通參與者層邊的權重計算示意圖

在真實的行車環境中，由于交通參與者（下文中以車輛為例）的狀態和尺寸不同，相同距離下智能體之間的交互強度也不同。以往的工作通常使用目標間的歐氏距離大小來建模空間交互關系，難以描述交通參與者之間復雜的交互特性。因此，本文中基于可變高斯安全場來計算節點間的風險關系：

式中：Sdyn表示安全場中某一位置的場強；Ca為場強系數； (x0，y0)為場源車輛位置坐標； (x′0，y′0)為動態場景下場源車輛中心轉移坐標； (x，y)為可變高斯安全場中任意點的位置；kv為調節因子，且有0 ＜kv＜1 或-1 ＜kv＜0，其符號與運動的前后方向相對應；β為(x0，y0)與(x′0，y′0)構成的轉移矢量與x坐標軸的夾角；Ll和Lw分別為車輛的長和寬；σ′x和σ′y為與車輛外形相關的函數；v為車輛運動的速度矢量；a為車輛運動的加速度；μ和γ分別為加速度和速度影響因子；δx和δy分別為車輛縱向和橫向分布影響因子。

駕駛環境中的節點交互是一個動態的復雜過程，節點之間的風險與距離、速度值和方向角密切相關。本文在可變高斯安全場的基礎上，建立了節點間的風險關系的計算函數：

式中：|Si，j|是節點vi在節點vj處的場強； |vj|是節點vj的速度標量； 方向角θi，j是節點vj的速度矢量vj與場強矢量Si，j的夾角（順時針為正向）；kc為風險關系調節因子。將節點vi和節點vj的狀態代入公式，可計算得到某一時刻節點vi對節點vj的風險值，即節點vi向節點vj的有向邊eij的權重wij。值得注意的是，本文所提方法允許以任意交通參與者為場源，通過計算得到場景中所有交通參與者受到的風險值，從而獲得所有有向邊的權重。

道路作為交通三要素之一，是建模微觀交通場景不可或缺的一部分。受相關工作的啟發，本文將高清地圖表示為車道圖的形式，構成了道路層Grt=(Vr，Er)，道路層以固定長度的道路中心線分段作為節點，路段的拓撲關系作為邊。

根據現實生活中車輛車道保持或變道的需求，受PGP 中構建車道圖的啟發，本文道路層節點的出邊包含后繼邊和鄰近邊兩種類型，后繼邊沿可行駛方向連接該車道相鄰的兩個節點。對于交叉口，一個給定的節點可以有多個后繼節點，多個節點可以有相同的后繼節點；鄰近邊沿可行駛方向連接相鄰車道的兩個節點，前提是它們彼此之間的距離和運動方向在閾值內。遍歷道路層車道圖獲得的任何路徑都滿足車輛在場景中的合法路線。

1.2.2 雙層復雜網絡

交通場景中的各個要素之間存在復雜的交互關系，因此本文將交通參與者層與道路層聯系起來構成雙層復雜網絡，用以刻畫交通場景，如圖3所示。

圖3 雙層復雜網絡示意圖

本文連接交通參與者層節點vai與其對應位置一定范圍內的道路層節點vri，雙層復雜網絡模型由下式表示：

式中：(t)表示交通參與者層節點vai在t時刻的節點狀態；等號右邊第1 部分fa(Sai(t))表示交通參與者層自身的單個節點動力學，第2 部分表示交通參與者層的層內耦合，其中baij表示層內連接情況，若節點vai與節點vaj存在連邊則為1 否則為0，同理，第3部分表示交通參與者層與道路層的層間耦合，caijr表示層間連接情況；N和M分別代表交通參與者層和道路層的節點個數。

第3 部分交通參與者層節點對道路層節點的作用體現在交通參與者的運動狀態對道路通行權變更的影響；反過來道路層節點對交通參與者層節點的影響體現在道路拓撲結構和可達性對交通參與者運動的約束。

以雙層復雜網絡為指導，本文通過復雜網絡編碼器、目標點預測器和軌跡解碼器3 個模塊實現了目標車輛 的未來軌跡預測。

1.3 復雜網絡編碼器

首先使用3 個GRU 編碼器對感興趣車輛軌跡、周圍車輛軌跡及車道特征進行獨立編碼，分別得到感興趣車輛歷史軌跡特征向量Hego、周邊交通參與者編碼和車道節點編碼Hrv。

根據上文建立的風險關系計算函數求得t時刻感興趣車輛vego受到的距離閾值內其他交通參與者的空間交互影響力，即交通參與者層邊的權值集合Wa。再將其用softmax 函數進行歸一化作為賦予其他交通參與者的空間注意力權重Wt，ego。接下來將Wt，ego與對應周邊交通參與者的編碼相乘更新交通參與者編碼得到。最后經過多層感知機得到交互池化向量Mt，ego。該方法考慮了更多的車輛行駛狀態參數和尺寸，可以更真實、準確地捕捉現實交通環境中交通參與者之間復雜的交互特性，且有更好的可解釋性。

為體現交通參與者層對道路層的影響，采用縮放點積注意用感興趣車輛附近的交通參與者編碼更新車道節點編碼Hrv。通過對距離閾值內的其他交通參與者編碼進行線性投影來獲取鍵和值，通過對Hrv進行線性投影來獲取查詢。最后，將縮放點積注意層的輸出與原始車道節點編碼進行拼接，得到更新后的節點編碼H˙rv。

1.4 目標點預測器

目標點預測器將具有代表性的實例存儲在內存庫，前向計算中使用內存尋址器在內存庫中搜索與當前場景相似的實例，并借此預測未來目標點。

1.4.1 內存庫

內存庫采用類似于字典的構造：每一組數據由一對相關的過去特征和目標點構成。過去特征存儲感興趣車輛的歷史軌跡特征、認知域范圍內其他智能體特征（交互特征）和局部道路特征，目標點存儲相應的未來目標點特征。所有的過去特征組成過去特征記憶庫Mp={p1，p2，…，pi，…，pU}，pi記錄從第i個訓練樣本的歷史信息中提取的特征，使用第i個訓練樣本的交互池化向量Miego與局部道路節點特征進行連接后作為輸入的特征；所有的目標點組成未來目標點記憶庫Mf={t1，t2，…，ti，…，tU}，ti記錄了第i個訓練樣本的目的地中提取的特征，使用第i個訓練樣本真實軌跡終點經過全連接層編碼得到的特征向量作為輸入。過去特征記憶庫和目標點記憶庫有相同的大小U。

為保證內存庫的多樣性和代表性，需要在內存庫初始化時基于余弦相似度進行數據過濾。余弦相似度是一種用于比較兩個向量之間相似度的度量方法，范圍在-1～1 之間。余弦相似度越大，表示兩個向量越相似。假設實例i(pi，ti)是內存庫中已有的數據，實例j(pj，tj)是待入庫的數據，則實例j在以下情況被視為冗余數據而跳過，不會加入數據庫：

式中(pi，ti)和(pj，tj)分別表示實例i和實例j的過去記憶特征和未來目標點特征。

1.4.2 內存尋址與聚類

內存尋址器旨在通過比較輸入向量和內存庫中的過去特征，挑選出與輸入向量最相似的內存實例，并輸出它們對應的未來目標點特征。與數據過濾類似地，內存尋址器也基于余弦相似度實現。假設在前向計算中待預測車輛的歷史信息編碼為向量xp，使用余弦相似度來計算輸入向量xp與內存庫中每個過去特征pi(i= 1，2，…，U)的相似度分數：

雖然數據篩選已經在一定程度上消除了冗余，使內存庫中的目標點更具多樣性，但仍難以刻畫交通場景中車輛軌跡的復雜性，因為在現實生活中，車輛軌跡數據存在長尾效應。本文中提出一種兩步走的目標點聚類方法來捕捉這些內存實例并計算其概率，以實現多樣化的預測。

在預測K個可能的目標點時，通過相似性得分來挑選出L?K個內存實例，并將其解碼成L個粗略目標錨。從而盡可能多地捕獲智能體的運動模式。然后使用K-means 聚類方法對L個粗略目標錨進行聚類，以產生K個可能的目標點。進一步整合彼此接近的運動模式，使目標點預測結果兼顧多樣性和代表性，最終通過這種兩步目標點預測策略獲得更加精確和可信的未來目標點預測結果。

此外，為計算不同目標點的概率，提出一種目標點概率計算方法，假設存在K個聚類簇C1，C2，…，Ck，…，CK，其中Ck包含nk個內存實例，對于每個聚類簇Ck，計算其內部所有樣本之間的平均相似度分數：

式中s(xp，pki)是內存實例i和輸入向量xp之間的相似度得分。

然后對所有聚類簇的平均相似度得分進行歸一化處理，獲得每個聚類簇對應目標點的概率：

式中：Pk表示第k個聚類簇對應的目標點概率；表示第k個聚類簇中所有樣本的平均相似度分數。所有目標點的概率之和為1，這樣得到的概率可以反映目標點在當前場景下的預測置信度。這樣預測的目標點可以捕捉低頻出現的軌跡終點且合并高頻出現的終點，提高預測的多樣性和魯棒性。

1.5 軌跡解碼器

軌跡解碼器由兩部分組成，首先遍歷車道圖得到參考軌跡，再以參考軌跡為條件解碼得到最終的預測結果。

現實中人類駕駛員在駕駛途中會根據當前場景判斷某沖突路段自己是否可以優先通行，即判斷自車是否擁有該路段的通行權，尤其是在變道等強交互場景中。本文訓練了一種基于MLP 的道路節點出邊的分類器，該分類器共享權重，用于判斷每個節點的出邊(u，v)在當前場景下是否可行：

使用每個預測實例的地面真實未來軌跡確定車輛訪問了哪些節點。為避免在交叉口因為多車道相交而錯誤地分配道路層節點，本文不僅考慮了智能體與道路節點的距離，還要求節點代表的路段方向與智能體運動方向的夾角在閾值內。如果節點u和v都被訪問，則邊(u，v)被視為可行，否則為不可行。本文使用地面真實軌跡訪問的所有邊的標簽，用交叉熵損失作為分類器的損失函數：

式中：Q表示地面真實軌跡訪問的所有邊的數量；yi表示第i個樣本的真實標簽;i表示第i個樣本的預測標簽。

通過得到所有節點出邊的可達性，構建一個新的有向連通圖，進一步采用圖遍歷算法來尋找圖中預測起點到預測目標點的路徑作為參考軌跡。

在獲得參考軌跡后，通過以參考軌跡為條件的解碼過程來完成整個軌跡。本文中將自車軌跡特征Hego、局部道路特征和由MLP 編碼的參考軌跡特征串聯起來，對整個軌跡進行解碼。為避免懲罰多樣化合理的預測軌跡，采用勝者通吃的策略，使用K條預測軌跡Y={Y1，…，Yk，…，YK}中距離真實軌跡平均位移誤差最小的作為損失函數：

損失函數LCN-MAN由分類器的交叉熵損失函數LBC和真實與軌跡解碼器的損失函數Ltra組成：

2 實驗

2.1 數據集

利用nuScenes數據集對所提算法進行評估驗證，該數據集是一個擁有1 000個場景、每個場景20 s的自動駕駛汽車數據集，涵蓋了波士頓和新加坡地區。本文的預測任務是利用過去2 s 的對象歷史和地圖信息預測未來6 s 內的行駛軌跡。為進行公正的比較，使用了nuScenes 軟件工具包提供的標準分割方法。通過在這一實驗平臺上的全面測試和驗證，得以充分展示了所提出方法具備的優越性和實用性，也可以為相關領域的后續研究提供有力的借鑒和支持。

2.2 評價指標

使用最小平均位移誤差（mADE_K）和最小最終位移誤差（mFDE）兩個指標對預測性能進行評價。其中mADE_K是K條概率最高的候選軌跡的整個時間步長上預測軌跡點與地面真值之間的平均L2 距離，mFDE為概率最高的候選預測軌跡終點與地面真值之間的位移誤差。計算公式為

式中：([i]，[i])為感興趣車輛的第i條預測軌跡在τ時刻的位置； (xtτruth，yτtruth)為該車輛在τ時刻的地面真實軌跡位置；tf是預測步長。

2.3 實驗結果

將提出的CN-MAN 與nuScenes 排行榜中的如下典型模型進行定量和定性分析。

（1）P2T：該方法根據IRL 策略預測合理的智能體目標，并在場景上定義的粗略2D網格上生成到達這些目標的路徑，最后提出一種基于注意力機制的軌跡生成器來預測軌跡。

（2）AgentFormer：該模型在推斷智能體的未來位置時，可以關注任何先前時間步長的任何智能體的特征。所有智能體的潛在意圖也被聯合建模，允許一個智能體行為的隨機性影響其他智能體。

（3）GOHOME：利用高清地圖的圖形表示和稀疏投影生成一個熱力圖，代表給定的交通場景中某智能體未來位置的概率分布。

（4）Trajectron++：通過生成多智能體軌跡預測并考慮動力學約束的通用方法，采用語義地圖整合高維異質數據，有效提高預測的精度和可擴展性。

2.3.1 結果分析

對比本文所提方法CN-MAN 與上述先進模型的性能，如表1 所示。結果表明，所提出的方法在mADE_5 以及mADE_10 指標上取得最優結果。此外，與P2T的對比結果表明，使用基于矢量地圖的道路表征比柵格地圖更能捕捉道路對智能體運動的影響。本文所提出方法在指標mFDE_1 的表現遜于GOHOME，這可能緣于本模型在對目標點的預測中使用聚類算法限制了目標點取值范圍的大小，影響最終預測結果。

表1 CN-MAN與Nuscenes數據集榜單先進模型的比較

對所提出的模型在nuScenes數據集上進行可視化效果展示。圖4 展示了該模型的預測軌跡，紅色線條為預測軌跡，綠色線條為地面真實軌跡。在路段上的預測效果非常貼合真實軌跡，而在交叉口處的預測軌跡也表現出良好的多模態性，顯示出針對不同軌跡匹配的置信度，從側面體現了模型預測結果的安全性。同時模型預測得到不同軌跡的速度差異，準確地捕捉了可能存在的速度變化，說明所提出模型具有相當的預測精度，另一方面證明了該模型在考慮諸多因素（如車道結構、智能體的行駛速度、加速度、航向角等）的同時，仍然保持靈活性和可拓展性。

圖4 模型預測效果

2.3.2 消融實驗

探討CN-MAN 模型中各模塊的有效性，包括智能體節點交互池化，智能體與道路節點注意力層和參考軌跡。表2給出實驗結果，結果表明以上模塊，尤其是交互池化與參考軌跡，都有助于提高預測的準確性。

表2 部分模塊在Nuscenes數據集上的消融實驗

此外，本文對目標點預測器中初篩目標點數L（表3）與過濾實例的相似度閾值θ（圖5）進行了研究。實驗結果表明：當相似度閾值過大時，大量冗余信息被保留，影響軌跡預測的多樣性；相反，當相似度閾值過小時，許多有用的信息也被拋棄，從而影響預測性能。同樣，當初篩目標點數L取值過大時，會包含很多不相關的實例，而取值過小時會降低目標點預測的多樣性，都會對預測精度產生影響。最終，通過實驗發現，當閾值θ設定為0.7，L設置為140 時模型性能最佳。

表3 目標點預測器中初篩目標點數L對預測精度的影響

圖5 目標點預測器中過濾閾值θ對預測精度的影響

2.3.3 實時性驗證

使用一個RTX-3090 GPU在nuScenes數據集上運行整個預測模型20 次。每個樣本平均預測時間為23.16 ms，實時預測幀率為43.2 fps，大大快于常見的數據采集采樣率。

3 結論

提出一個基于復雜網絡和記憶增強神經網絡的自動駕駛軌跡預測方法，創新構建了雙層動態復雜網絡模型，實現了高可靠性和可解釋性的多模態軌跡預測。該模型使用高斯可變安全場計算風險權重，考慮了交通參與者的行駛狀態參數、形狀尺寸和智能體與道路之間的相互影響，真實準確地反映復雜環境中多交通主體間的交互關系；構建了一種由注意力機制和包含風險權重的社交池組成的復雜網絡編碼模塊，實現了動態復雜場景中交通參與者與道路約束之間作用特征的全面有效提取；構建了以參考軌跡為條件的軌跡解碼模塊，實現了兼顧精度和可解釋性的多模態軌跡輸出，并提出了一個三步走的軌跡預測系統，首先利用記憶增強網絡預測目標點，其次判斷道路節點出邊的可達性得到參考軌跡，最后以參考軌跡為條件獲得整個預測軌跡。實驗結果表明，本文所提出的方法在公開數據集nuScenes 上性能優異，且具有較好的可解釋性。未來，將繼續挖掘研究應用復雜網絡建模交通場景的優勢，充分發揮其潛力，進一步提高軌跡預測精度以及可解釋性。