Research / Project
面向车辆轨迹预测的运动学专家与高清地图感知专家场景自适应路由
独立第一作者 · 稿件准备重投
项目简介
项目研究如何根据车辆运动和道路场景，在运动学与地图感知预测器之间选择轨迹预测结果。
研究内容
项目固定恒速度和 MapAware 两个预测器，利用目标速度、加速度、转向变化以及局部地图特征，判断每个样本适合采用哪一条预测轨迹。我负责实验设计、选择器训练、地图输入扰动实验和跨数据集验证。实验对象为车辆，采用单智能体和单轨迹预测，先计算两个预测结果再进行选择。
研究背景
车辆轨迹预测需要根据已观测的运动历史，估计车辆接下来可能经过的位置。不同场景对预测信息的需求并不相同：车辆沿直线匀速行驶时，近期运动本身可能提供较稳定的线索；遇到转弯或道路方向变化时，车道结构也可能帮助判断未来轨迹。
项目从两种已经存在的预测结果出发：恒速度模型根据近期运动外推，MapAware 模型在运动历史之外使用高清地图信息。两者各有擅长的样本。研究关注能否在未来轨迹尚未出现时，利用当前可观测的运动与地图特征，从这两条候选轨迹中选择更合适的一条。
候选预测与选择器
实验中的两个预测器在选择器训练和评估时保持固定。每个样本先得到恒速度和地图感知两条候选轨迹，路由结果直接采用其中之一。这样的设置使比较集中在选择决策上，也便于观察同一组候选在不同选择策略下的误差。
随机森林选择器使用近期速度、加速度、转向变化等运动特征，以及局部车道相关描述。训练完成后，使用校准集上的平均位移误差选择决策阈值，再把阈值固定到后续评估。实验还设置始终选择某个预测器的基线，以及利用真实未来轨迹进行事后选择的 oracle 参照。
Oracle 能够查看真实未来，因此用于衡量两种候选之间存在多少潜在选择空间。实际选择器只能使用预测时已经获得的信息。比较选择器与 oracle 的误差，可以观察它在可用信息下恢复了多少潜在收益。
实验设计
研究使用 Argoverse 2 和 nuScenes。Argoverse 2 中分别设置开发、校准和场景分离的留出评估；nuScenes 用于在另一数据分布下检验选择思路。评估对象为车辆，报告单智能体、单条预测轨迹的平均位移误差（ADE）。
除了随机森林，论文还比较了由路径效率构成的简单规则。路径效率用历史轨迹的起终点位移与实际行驶路径长度之比描述近期运动形态。研究也按运动特征与地图特征进行消融，检查哪些信息对选择结果更有作用。
评价时，研究对同一车辆样本的两条候选轨迹进行配对比较。场景级 bootstrap 以完整场景为单位重复抽样，在保留同一场景内样本关系的同时估计选择器与恒速度基线的误差差异。这样可以同时观察平均结果和场景之间的变化。
地图输入诊断使用固定的 MapAware 模型，比较完整地图、移除地图以及删除附近车道信息时的预测误差。模型参数保持不变，实验记录的是候选预测对不同输入条件的响应；选择器与候选生成各自在流程中承担不同任务。
结果与进展
在包含 1062 个车辆样本的 AV2 测试集中，随机森林选择器的 ADE 为 2.2374 米，较恒速度基线降低 2.85%；独立 AV2 留出集和 nuScenes 验证集分别降低 3.00% 和 1.87%。稿件曾投稿 Vehicles，目前正在补充实验并准备重投，程序及复现说明已存档至 Zenodo。
在场景分离的 Argoverse 2 留出集上，恒速度基线 ADE 为 2.2770 米，随机森林选择器为 2.2086 米。路径效率规则得到 2.2057 米，展示了一个较简单的运动描述也能获得接近的预测误差。两种选择方法的具体结果和比较条件可在论文中查看。
在 nuScenes 的评估中，MapAware 的整体平均 ADE 高于恒速度基线，但仍在部分样本上给出更准确的轨迹。选择器将 ADE 从 4.6709 米降至 4.5834 米。重复划分实验的收益存在变化，说明训练与校准样本会影响选择器的决策边界。
论文还对地图输入进行扰动，观察固定 MapAware 模型对车道信息变化的响应。完整地图、地图移除和附近车道删除产生了不同的误差变化；这些实验用于理解候选预测器对地图输入的依赖。
特征消融显示，近期运动描述提供了主要的选择信号。开发集上的运动特征组与完整特征组得到相近的 ADE；地图特征组也具有选择信息。论文据此比较了简单规则与多特征选择器，并将结果放在固定候选预测器的实验设置下解释。