DeMo++：面向自动驾驶的运动解耦

运动预测和规划的任务分别是估计交通智能体和自车的轨迹，以确保自动驾驶系统在动态变化环境中的安全性和效率。最先进的方法通常采用“一查询一轨迹”范式，其中每个查询对应一条唯一的轨迹，用于预测多模态轨迹。虽然这种范式可以产生多样化的运动意图，但通常在建模轨迹复杂的时空演化方面存在不足，这可能导致碰撞或次优结果。为克服这一局限，我们提出DeMo++框架，该框架将运动估计解耦为两个不同的组成部分：用于捕捉多样化潜在运动方向的整体运动意图，以及用于跟踪智能体在场景中的动态进程并实现自我修正能力的精细时空状态。此外，我们引入了一种跨场景轨迹交互机制，以探索相邻场景中运动之间的关系。这使得DeMo++能够全面建模运动意图的多样性和每条轨迹的时空演化。为了有效实现该框架，我们开发了一个结合Attention和Mamba的混合模型。该架构利用了两种机制的优势，用于高效的场景信息聚合和精确的轨迹状态序列建模。大量实验表明，DeMo++在多个基准测试中均达到了最先进的性能，包括运动预测（Argoverse 2和nuScenes）、运动规划（nuPlan）和端到端规划（NAVSIM）。