面向历史感知的地图占有预测：HiMAP
计算机视觉与模式识别
2026-02-20 v1
摘要
精确的运动预测是自动驾驶的关键任务，但大多数预测器依赖于多目标跟踪（MOT）并假设对象被正确且持续地跟踪。当跟踪因遮挡、身份切换或漏检等原因失败时，预测质量会下降且安全风险增加。我们提出了HiMAP——一个无跟踪的、基于轌迹的预测框架，在MOT失败时仍能保持可靠。HiMAP将过去的检测结果转换为时空不变的历史占有地图，并引入历史查询模块，以当前代理状态为条件，迭代检索无标签占有表示中的代理特定历史。检索到的历史由时空嵌入总结，联合最终查询和地图上下文驱动DETR风格的解码器产生多模态未来轨迹。该设计消除了身份依赖，支持通过可重用编码实现流式推理，当跟踪不可用时可作为健壮的后备方案。在Argoverse 2上，HiMAP在无ID的情况下实现了与基于跟踪的方法相当的性能，在无跟踪设置下显著优于强大基线，FDE提升11%，ADE提升12%，MR降低4%。除了综合指标外，HiMAP为所有代理同时提供稳定预测，无需等待跟踪恢复，凸显了其对安全关键自动驾驶的实用价值。代码已在https://github.com/XuYiMing83/HiMAP提供。
引用
@article{arxiv.2602.17231,
title = {HiMAP: History-aware Map-occupancy Prediction with Fallback},
author = {Yiming Xu and Yi Yang and Hao Cheng and Monika Sester},
journal= {arXiv preprint arXiv:2602.17231},
year = {2026}
}
备注
Accepted in 2026 IEEE International Conference on Robotics and Automation