MacFormer：面向实时鲁棒轨迹预测的地图-智能体耦合 Transformer

预测智能体未来的行为是自动驾驶车辆领域的一项基础任务。准确的预测依赖于对周边地图的理解，地图对智能体行为具有显著的约束作用。然而，现有方法在利用地图方面存在局限，且对历史轨迹表现出强烈依赖，导致预测性能与鲁棒性不佳。此外，其沉重的网络架构阻碍了实时应用。为解决这些问题，我们提出了地图-智能体耦合 Transformer（MacFormer）用于实时鲁棒轨迹预测。我们的框架通过两个精心设计的模块——耦合地图与参考提取器，将地图约束显式地引入网络。提出了一种新颖的多任务优化策略（MTOS）以增强对拓扑与规则约束的学习。我们还在上下文融合中设计了双边查询方案，以构建更高效轻量的网络。我们在 Argoverse 1、Argoverse 2 和 nuScenes 真实世界基准上评估了该方法，其均以最低推理延迟与最小模型尺寸取得了最先进的性能。实验还表明，我们的框架对不完美的轨迹片段输入具有韧性。进一步，我们展示了结合我们所提策略后，经典模型优于其基线，验证了框架的通用性。