LaPred：基于车道感知的动态智能体多模态未来轨迹预测

在本文中，我们解决了在给定动态智能体（称为目标智能体）当前与过去状态以及其环境信息的情况下，预测其未来运动的问题。开发一种能够利用目标智能体周围静态与动态环境中的上下文信息，并生成在交通语境中有意义的多样化轨迹样本的预测模型至关重要。我们提出了一种称为车道感知预测（LaPred）网络的新颖预测模型，该模型利用从语义图中提取的实例级车道实体来预测多模态未来轨迹。对于在目标智能体邻域内发现的每个车道候选，LaPred提取与该车道及邻近智能体轨迹相关的联合特征。随后，所有车道候选的特征通过自监督学习任务学习到的注意力权重进行融合，该任务识别目标智能体可能遵循的车道候选。利用实例级车道信息，LaPred能够比基于2D栅格图像的方法更好地生成符合周边环境的轨迹，并在给定多个车道候选时生成多样化的未来轨迹。在公开nuScenes数据集与Argoverse数据集上的实验表明，所提出的LaPred方法显著优于现有预测模型，在基准测试中达到了最先进的性能。