基于扩散模型的 ParkDiffusion++: 面向自动泊车的 ego 意图条件化联合多智能体轨迹预测

自动泊车是高级驾驶辅助系统的具有挑战性的运行领域，要求具备稳健的场景理解和交互推理能力。关键挑战在于：(i) 根据情境预测多个合理的 ego 意图；(ii) 对每种意图，预测周围智能体的联合响应，以实现有效的 what-if 决策。然而，现有方法往往不足，通常将这些相互依赖的问题孤立地处理。我们提出 ParkDiffusion++，联合学习一个多模态 ego 意图预测器和一个 ego 条件化的多智能体联合轨迹预测器，用于自动泊车。我们的方法作出了几个关键贡献。首先，我们引入一个 ego 意图标记器，从 agent 历史记录和向量化地图 polyline 预测一小组离散的端点意图。其次，我们进行 ego 意图条件化的联合预测，为每种可能的 ego 意图生成周围智能体的社交一致预测。第三，我们采用轻量级安全导向去噪器，对不同约束在训练期间的联合场景进行细化，从而提高准确性和安全性。第四，我们提出反事实知识蒸馏，其中一个 EMA 教师由冻结的安全导向去噪器细化，提供捕获智能体对备选 ego 意图反应的伪目标。广泛的评估表明，ParkDiffusion++ 在龙湖泊车数据集 (DLP) 和 inD 数据集上实现了最先进的性能。重要的是，定性 what-if 可视化显示，其他智能体会对不同的 ego 意图作出恰当的反应。