可迁移且可适应的驾驶行为预测

尽管自动驾驶汽车在道路行驶中仍难以解决具有挑战性的情况，但人类早已掌握了高效、可迁移且可适应的驾驶能力精髓。通过模仿人类在驾驶过程中的认知模型和语义理解，我们提出了HATN，一个分层框架，用于在多智能体密集交通环境中生成高质量、可迁移且可适应的驾驶行为预测。我们的分层方法由一个高层意图识别策略和一个低层轨迹生成策略组成。我们为每个子任务引入了新颖的语义子任务定义和通用状态表示。借助这些技术，该分层框架可跨不同驾驶场景迁移。此外，我们的模型能够通过一个在线自适应模块捕捉个体和场景间驾驶行为的差异。我们在INTERACTION数据集的交叉路口和环岛的轨迹预测任务中展示了我们的算法。通过广泛的数值研究，明显看出我们的方法在预测准确性、可迁移性和可适应性方面显著优于其他方法。在将最先进性能大幅提升的同时，我们也为理解这种提升背后的驾驶行为提供了一个认知视角。我们强调，未来应给予可迁移性和可适应性更多的研究关注和努力。这不仅是因为它们能带来预测和规划算法性能的有望提升，更根本的是，它们对于自动驾驶汽车的可扩展和通用部署至关重要。