LANet：一种基于车道边界感知的稳健轨迹预测方法

精确的运动预测对实现安全高效的自动驾驶至关重要，使车辆能够预测未来轨迹并在复杂交通情境中做出明智决策。当前大多数运动预测模型设计基于车道中心线的主要表示，这限制了其捕获关键道路环境和交通规则约束的能力。本文提出一种增强的运动预测模型，利用包括车道边界和道路边缘在内的多种矢量地图元素，促进对驾驶环境更丰富、更完整的表示。发展了有效的特征融合策略，将不同矢量地图组件中的信息融合，其中模型学习关于道路结构及其与代理人相互作用的整体信息。由于对道路环境更多信息的编码会增加内存使用并计算昂贵，我们开发了有效的剪枝机制，以筛选针对目标代理人的最相关地图连接，确保在保持精确轨迹预测所必需的空间和语义关系的同时提高计算效率。克服了基于车道中心线的模型的局限性，我们的方法提供了更有信息量且更高效的驾驶环境表示，推动了自动驾驶车辆运动预测的技术进步。我们在 Argoverse 2 运动预测数据集上进行了广泛实验，结果表明该方法在 AV2 上保持竞争力，同时实现了 improved performance。