MFTraj：面向自动驾驶的无地图、行为驱动的轨迹预测

本文介绍了一种专为自动驾驶定制的轨迹预测模型，侧重于在无需依赖高精地图的情况下捕捉动态交通场景中的复杂交互。该模型称为 MFTraj，利用历史轨迹数据结合一种新颖的基于动态几何图的行为感知模块。其核心是一个自适应的结构感知交互式图卷积网络，用于捕捉道路使用者的位置和行为特征，同时保留时空复杂性。通过线性注意力机制的增强，该模型实现了计算效率的提升和参数开销的降低。在 Argoverse、NGSIM、HighD 和 MoCAD 数据集上的评估突显了 MFTraj 的鲁棒性和适应性，即使在缺乏 HD 地图或矢量化地图等额外信息的数据匮乏场景中，也优于众多基准模型。重要的是，即使在存在大量缺失数据的场景中，它也能保持具有竞争力的性能，与大多数现有的 SOTA 模型相当。结果和方法论表明，自动驾驶轨迹预测取得了重大进展，为更安全、更高效的自动驾驶系统铺平了道路。