整体Transformer：一种用于自动驾驶车辆轨迹预测与决策的联合神经网络

轨迹预测与行为决策是自动驾驶车辆的两项重要任务，需要对环境上下文有良好的理解；通过参考轨迹预测的输出可更好地进行行为决策。然而，当前大多数方案分别执行这两项任务。因此，本文提出并命名了一种结合多种线索的联合神经网络——整体Transformer（holistic transformer），用于同时预测轨迹并做出行为决策。为更好地探索线索间的内在关系，该网络利用已有知识并采用三种注意力机制：用于降低噪声影响的稀疏多头类型、用于最优利用部分先验知识的特征选择稀疏类型，以及用于最优利用后验知识的带sigmoid激活的多头类型。与其他轨迹预测模型相比，所提模型具有更好的综合性能与良好的可解释性。感知噪声鲁棒性实验表明，该模型具有良好的噪声鲁棒性。因此，结合多种线索的同步轨迹预测与行为决策可降低计算成本并增强场景与智能体之间的语义关系。