基于Transformer的自主系统空间和社交情境感知轨迹预测

自主交通系统，如道路车辆或船舶，需要考虑静态和动态环境才能安全行驶。针对给定情境中的智能体行为进行预测是为了及时正确地作出反应。最近，开发基于深度学习的模型已成为运动预测的主流方法。通常通过一个 CNN-LSTM 子模块处理社交张量来考虑社交环境，该社交张量包括周围智能体过去轨迹的信息。对于提出的基于Transformer的轨迹预测模型，建议一种替代且计算更高效的社交张量定义和处理方式。它直接考虑目标智能体与周围智能体在每个时间步骤之间的相互作用，而不是依赖于各个独立处理智能体的最后一个隐藏LSTM状态的信息。一个Transformer子模块，称为社交张量Transformer，集成到整个预测模型中，负责通过社交张量获取的社交互动信息丰富目标智能体的位移特征。为了对空间限制的感知，位移特征是相对于可导航区域定义的。这取代了额外计算昂贵的地图处理子模块。一个消融研究表明，对于较长的预测时窗，预测轨迹与真实轨迹之间的偏差低于基于空间和社交不可知模型。即使从空间-only 到空间和社交情境感知模型的性能在常见误差度量方面的提升很小，通过可视化结果可以显示所提出的模型实际上能够预测对周围智能体的反应，并且显式允许可解释的行为。