通过嵌入情景记忆的 NDT 实现车辆行为预测
内容提要
该文综述了自动驾驶轨迹预测的多项研究，涵盖MemoNet、记忆增强网络、LSTM编解码器、神经运动规划器、分层模仿学习和图神经网络等方法，用于预测车辆与行人意图及轨迹，提升复杂场景下规划的安全性与准确性。
延伸解读
记忆增强与实例检索的轨迹预测思路
文章介绍了MemoNet和记忆增强网络等方法，它们通过存储代表性实例或使用非参数化记忆模块，检索与当前场景相似的历史情况来预测车辆和行人的移动意图。这种思路不依赖固定参数，能随着数据积累不断改进预测效果，为复杂交通场景下的轨迹预测提供了可扩展的方向。
从模块化到分层：规划与预测的融合
神经运动规划器（NMP）和分层模仿学习代表了将预测与规划更紧密结合的趋势。NMP从原始LIDAR和高清地图生成可解释的中间表示与成本体积，分层模仿学习则用高层行为规划器和低层轨迹规划器增强稳定性。这些方法在城市场景中表现出更好的安全性和可靠性，但依赖高质量地图和感知输入。
数据与场景对预测方法的影响
文章提及多个研究使用了NGSIM US-101数据集（超过6000名司机、800小时记录）和包含4万条行人轨迹的数据集进行训练验证。不同方法针对高速公路、强制合并、城市复杂场景等，说明轨迹预测高度依赖场景和数据分布。读者需注意，在特定数据集上表现优异的模型，迁移到其他交通环境时可能面临泛化挑战。
Q&A
MemoNet 是如何预测车辆移动意图的？
MemoNet 是一种基于实例的方法，它通过储存代表性实例和一个可训练的地址器来搜索与当前情况相似的实例，从而预测代理的移动意图，并进一步建立两步轨迹预测系统。实验表明，该方法比之前的最佳方法有较大改进。
有哪些基于记忆增强网络的轨迹预测方法？
有一篇论文提出了一种基于记忆增强神经网络的多模态轨迹预测方法，该方法可以在复杂场景中安全地规划自主车辆路径，并且通过非参数化的记忆模块，可以不断改进预测效果。
LSTM 编解码器在车辆轨迹预测中是如何应用的？
有研究利用编码器-解码器结构，使用基于 LSTM 的编码器分析过去轨迹中的模式，使用 LSTM 解码器生成未来轨迹序列，并采用束搜索技术保留 K 个局部最优解，产生 K 个最可能的轨迹候选项。在高速公路场景下，预测精度显著高于传统技术。
神经运动规划器（NMP）在自动驾驶中有什么作用？
神经运动规划器（NMP）用于在复杂的城市场景中学习自主驾驶，包括交通灯处理、让路和与多个道路用户的交互。它通过输入原始 LIDAR 数据和高清地图，生成可解释的中间表示和成本体积，实验表明学习成本体积可以生成比所有基线更安全的规划。
分层模仿学习如何提升自动驾驶的可靠性？
分层模仿学习包括一个高层次基于网格的行为规划器和一个低层次的轨迹规划器，可以增强神经网络的可靠性和稳定性。该方法可嵌入基于规则的架构，在封闭回路仿真和实际驾驶测试中表现卓越，特别适用于复杂的城市自动驾驶场景。
图神经网络在车辆行为预测中有什么优势？
有研究通过关注机制和 LSTM 网络，研究自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并采用非欧几里得图形和图神经网络等处理方式，比其他最先进技术表现更好，该模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。
