基于潜随机微分建模的运动学感知轨迹生成与预测

轨迹生成与轨迹预测是自动驾驶中的两项关键任务，前者在开发阶段生成多种轨迹用于测试，后者在运行阶段预测周围车辆的轨迹。近年来，新兴的数据驱动深度学习方法在不假设物理模型的情况下学习各类交通场景并提升平均性能，展现出巨大潜力。然而，这些方法难以保证生成/预测的轨迹在物理上真实合理，这一挑战源于基于学习的方法常作为不透明的黑箱且不遵循物理定律。相反，现有基于模型的方法能提供物理可行的结罘，但受预定义模型结构限制，难以应对复杂场景。为克服两类方法的局限，我们提出一种新方法，将运动学知识融入神经随机微分方程（SDE），并基于此潜运动学感知 SDE（LK-SDE）设计变分自编码器以生成车辆运动。实验结果表明，我们的方法在生成物理真实且精确可控的车辆轨迹上显著优于基于模型和基于学习的基线，并在潜空间预测不可观测物理变量方面表现良好。