趙高士，陳 龍，蔡英鳳，廉玉波，王 海，劉擎超，滕成龍

（1. 江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013；2. 江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013；3. 比亞迪汽車工業(yè)有限公司汽車工程研究院，深圳 518118）

前言

自動(dòng)駕駛汽車（automous driving vehicle， ADV）顛覆人們的出行模式和工具選擇，被寄予厚望去解決長期以來交通系統(tǒng)面臨的安全、效率、節(jié)能等挑戰(zhàn)。當(dāng)前，相關(guān)研究和應(yīng)用已引起世界各國政府、車企與供應(yīng)商、消費(fèi)者以及投資機(jī)構(gòu)等的高度重視和關(guān)注。在自動(dòng)駕駛汽車“環(huán)境感知-決策規(guī)劃-控制執(zhí)行”3 大技術(shù)路線中，基于目標(biāo)感知和跟蹤結(jié)果的軌跡預(yù)測技術(shù)，屬于高層次感知和認(rèn)知，在感知到?jīng)Q策中發(fā)揮了承上啟下的關(guān)鍵作用。周邊交通參與者的行駛軌跡預(yù)測是將目標(biāo)歷史運(yùn)動(dòng)信息轉(zhuǎn)化為對其未來時(shí)空位置信息的預(yù)測，對于避免自車與其他車輛或障礙物發(fā)生碰撞，實(shí)現(xiàn)安全高效的自動(dòng)駕駛具有重要意義。

駕駛環(huán)境是一個(gè)具有多樣性、動(dòng)態(tài)性的復(fù)雜系統(tǒng)，同時(shí)包括路面和標(biāo)線等各種靜態(tài)對象以及車輛和行人等復(fù)雜的動(dòng)態(tài)對象。各交通要素之間的交互性對于精確預(yù)測軌跡意義非凡，智能體不僅要注意周邊其他交通參與者，還應(yīng)受到道路以及交規(guī)的約束，以便適應(yīng)場景中交通參與者的速度，讓出路權(quán)或合并到相鄰車道。為實(shí)現(xiàn)這種交互性，相關(guān)學(xué)者提出了不同的交互機(jī)制，社交池化（Social LSTM［1］，Desire［2］）通過將場景中不同對象之間的交互信息整合到卷積核中，學(xué)習(xí)軌跡間的關(guān)系。Alahi 等［1］在LSTM（long short-term memory）網(wǎng)絡(luò)的基礎(chǔ)上提出了一種名為Social-LSTM 的模型。該模型引入了社交池化層來描述固定大小空間內(nèi)行人之間的交互作用；基于圖神經(jīng)網(wǎng)絡(luò)的方法（Trajectron++［3］，PGP）將軌跡間的關(guān)系編碼為圖結(jié)構(gòu)來學(xué)習(xí)圖中節(jié)點(diǎn)和邊的特征；注意力機(jī)制（Scene Transformer［4］，Social Attention［5］）憑借其強(qiáng)大的能力提高了軌跡預(yù)測精度，但可解釋性會(huì)受到負(fù)面影響。上述交互機(jī)制通過捕捉周圍其他交通參與者的交互特征用于后續(xù)的預(yù)測，同時(shí)，也有許多研究利用車輛和地圖之間的交互特征，利用圖編碼器學(xué)習(xí)每個(gè)參與者的局部車道圖表示，并通過交互模塊在局部圖表示之間有效傳遞消息，以實(shí)現(xiàn)軌跡預(yù)測。然而，現(xiàn)有軌跡預(yù)測算法在考慮空間交互特性時(shí)，通?；谀繕?biāo)間歐氏距離的大小來對空間交互關(guān)系進(jìn)行建模。對于車輛而言，不同的車輛行駛狀態(tài)參數(shù)和尺寸會(huì)導(dǎo)致相同歐氏距離下產(chǎn)生不同的交互影響力，因此常規(guī)方法不能有效地描述車輛間復(fù)雜的交互特性。

針對現(xiàn)有交互建模方法存在的不足，本文引入了復(fù)雜網(wǎng)絡(luò)（complex network）對復(fù)雜交通場景進(jìn)行刻畫。復(fù)雜網(wǎng)絡(luò)是一種研究復(fù)雜系統(tǒng)的重要解決方案，它可以描述各種現(xiàn)實(shí)世界中的系統(tǒng)。例如，基于復(fù)雜網(wǎng)絡(luò)的社交網(wǎng)絡(luò)分析可以幫助企業(yè)進(jìn)行精準(zhǔn)營銷和輿情監(jiān)測［6］，相關(guān)學(xué)者利用復(fù)雜網(wǎng)絡(luò)幫助城市規(guī)劃師設(shè)計(jì)更高效的交通系統(tǒng)［7］。但是，目前缺乏將復(fù)雜網(wǎng)絡(luò)與微觀交通聯(lián)系起來的相關(guān)研究，基于此，本文中利用復(fù)雜網(wǎng)絡(luò)描述和分析微觀交通系統(tǒng)中的交通參與者（如車輛、行人等）之間及交通參與者與地圖之間的復(fù)雜交互關(guān)系，能夠有效刻畫微觀交通系統(tǒng)的動(dòng)態(tài)演化過程。

此外，現(xiàn)有相關(guān)工作都采用基于參數(shù)的方法，該方法通過模型訓(xùn)練來優(yōu)化模型參數(shù)，將所有經(jīng)驗(yàn)隱式地總結(jié)為一個(gè)整體存儲(chǔ)在模型中［8］。盡管在不同方法中采用各種不同的架構(gòu)（編碼器-解碼器［9-10］、生成器-鑒別器［11-12］、條件變分自編碼器［3］），但基于參數(shù)的方法在可解釋性和性能方面存在一定缺陷。首先，因?yàn)槠渫ǔ１憩F(xiàn)為“黑箱”模式，缺乏中間過程的展示而缺乏可解釋性。其次，訓(xùn)練數(shù)據(jù)中包含許多與當(dāng)前場景不相關(guān)的實(shí)例，可能會(huì)對模型的預(yù)測結(jié)果產(chǎn)生負(fù)面影響。為解決這一限制，Xu 等［8］提出了一種基于記憶增強(qiáng)網(wǎng)絡(luò)（memory-augmented networks， MAN）的框架，該框架在當(dāng)前預(yù)測和歷史數(shù)據(jù)之間建立了更明確的聯(lián)系，提供了更好的可解釋性和預(yù)測性能。記憶增強(qiáng)網(wǎng)絡(luò)最早由DeepMind團(tuán)隊(duì)在論文《Neural Turing Machines》中提出，該模型引入了外部內(nèi)存來增強(qiáng)神經(jīng)網(wǎng)絡(luò)的記憶能力。隨著研究的進(jìn)步，記憶增強(qiáng)網(wǎng)絡(luò)被進(jìn)一步優(yōu)化并廣泛應(yīng)用，相關(guān)研究表明它在處理少樣本學(xué)習(xí)任務(wù)［13］和序列任務(wù)［14］中具有不錯(cuò)的表現(xiàn)。最近，在自動(dòng)駕駛軌跡預(yù)測方面，一些研究采用記憶增強(qiáng)網(wǎng)絡(luò)來捕獲車輛運(yùn)動(dòng)軌跡的語義信息，并將其用于車輛［15］或行人［8］的軌跡預(yù)測。

整體來說，現(xiàn)有的多模態(tài)軌跡預(yù)測研究在交互建模和預(yù)測框架方面存在一定缺陷，影響了多模態(tài)軌跡預(yù)測的精度和可解釋性。為此，本文中提出了融合復(fù)雜網(wǎng)絡(luò)和記憶增強(qiáng)網(wǎng)絡(luò)的多模態(tài)自動(dòng)駕駛軌跡預(yù)測方法。該方法基于復(fù)雜網(wǎng)絡(luò)理論，將自身所在的交通場景建模為由交通參與者層和道路層構(gòu)成的雙層動(dòng)態(tài)復(fù)雜網(wǎng)絡(luò)。以雙層復(fù)雜網(wǎng)絡(luò)節(jié)點(diǎn)的動(dòng)力學(xué)為指導(dǎo)，構(gòu)建了一個(gè)擬人的三步走軌跡預(yù)測系統(tǒng)，首先利用記憶增強(qiáng)網(wǎng)絡(luò)預(yù)測目標(biāo)點(diǎn)，其次判斷道路節(jié)點(diǎn)出邊的可達(dá)性得到參考軌跡，最后以參考軌跡為條件獲得整個(gè)預(yù)測軌跡。這樣的預(yù)測方式將復(fù)雜問題分解為簡單問題以獲得更好的預(yù)測精度，且更具有可解釋性。

本文所提出的方法在建模與編碼時(shí)考慮了智能體的行駛速度、加速度、航向角等行駛狀態(tài)參數(shù)和形狀尺寸，同時(shí)也考慮了智能體與道路的相互影響。采用高斯可變安全場來表述交通參與者之間復(fù)雜的交互影響，并進(jìn)一步計(jì)算目標(biāo)間風(fēng)險(xiǎn)大小作為交通參與者層邊的權(quán)重，彌補(bǔ)了常規(guī)歐氏距離方法對交互關(guān)系建模的不足，更加真實(shí)準(zhǔn)確地反映了復(fù)雜環(huán)境中智能體間的交互關(guān)系。未來軌跡目標(biāo)點(diǎn)的預(yù)測采用基于記憶增強(qiáng)網(wǎng)絡(luò)的方法，使用內(nèi)存庫存儲(chǔ)過去特征和對應(yīng)的未來目標(biāo)點(diǎn)。前向計(jì)算中使用內(nèi)存尋址器搜索與當(dāng)前場景特征相似的過去特征，獲取其對應(yīng)的目標(biāo)點(diǎn)，進(jìn)而聚類產(chǎn)生多模態(tài)的未來目標(biāo)點(diǎn)。道路層節(jié)點(diǎn)出邊的可達(dá)性體現(xiàn)了交通參與者層對道路層的影響，設(shè)計(jì)并訓(xùn)練了一個(gè)二分類模型，更新自車周邊的道路層節(jié)點(diǎn)出邊狀態(tài)。最后，采用圖遍歷的方法獲得預(yù)測起點(diǎn)到預(yù)測終點(diǎn)的多模態(tài)參考路徑，并以此為條件解碼得到預(yù)測結(jié)果。

在公開數(shù)據(jù)集nuScenes 上的驗(yàn)證結(jié)果顯示，最小平均位移誤差為1.37 m，最小最終位移誤差為8.13 m，性能優(yōu)異且具有較好的可解釋性。

本文的主要貢獻(xiàn)有：

（1） 將復(fù)雜網(wǎng)絡(luò)和記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)進(jìn)行融合，構(gòu)建了雙層動(dòng)態(tài)復(fù)雜網(wǎng)絡(luò)模型，實(shí)現(xiàn)了高可靠性和可解釋性的多模態(tài)軌跡預(yù)測，解決了復(fù)雜交通場景中交通參與者軌跡預(yù)測不準(zhǔn)確、適用性和可解釋性差的問題。

（2） 構(gòu)建了一種由注意力機(jī)制和包含風(fēng)險(xiǎn)權(quán)重的社交池組成的復(fù)雜網(wǎng)絡(luò)編碼模塊，實(shí)現(xiàn)了動(dòng)態(tài)復(fù)雜場景中交通參與者與道路約束之間作用特征的全面有效提取。

（3） 構(gòu)建了以參考軌跡為條件的軌跡解碼模塊，實(shí)現(xiàn)了兼顧精度和可解釋性的多模態(tài)軌跡輸出。

1 基于復(fù)雜網(wǎng)絡(luò)和記憶增強(qiáng)網(wǎng)絡(luò)的軌跡預(yù)測算法

1.1 問題描述

以感興趣車輛及附近其他交通參與者的過去軌跡和場景高清地圖作為模型輸入，預(yù)測感興趣車輛的未來軌跡。本文將智能體i過去th個(gè)時(shí)間步長的歷史軌跡表示為一系列運(yùn)動(dòng)狀態(tài)向量Xi=每個(gè)運(yùn)動(dòng)狀態(tài)向量s包括了智能體在該時(shí)間步長的鳥瞰圖位置坐標(biāo)(xit，yti)、速度vit、加速度ait、偏航率ωit：sit={xit，yti，vit，ait，ωit}。為考慮未來軌跡分布的多樣性，為目標(biāo)車輛生成了K條軌跡：Y={Y1，…，Yk，…，YK}，每條軌跡包含了未來tf個(gè)時(shí)間步長內(nèi)的x-y坐標(biāo)對，Yk=每條軌跡代表了預(yù)測分布中的一種可能的運(yùn)動(dòng)路徑。

圖1 為所提模型的整體框架。以雙層動(dòng)態(tài)網(wǎng)絡(luò)為指導(dǎo)，分3 步進(jìn)行軌跡預(yù)測。主要包括：（1）采用復(fù)雜網(wǎng)絡(luò)編碼器提取交通參與者層交互特征，并更新道路層節(jié)點(diǎn)；（2）通過目標(biāo)點(diǎn)預(yù)測器預(yù)測未來目標(biāo)點(diǎn)；（3）利用軌跡解碼器判斷道路節(jié)點(diǎn)出邊可達(dá)性后結(jié)合目標(biāo)點(diǎn)生成參考軌跡，以參考軌跡為條件解碼獲得最終預(yù)測結(jié)果。

圖1 CN-MAN整體框架圖

1.2 基于復(fù)雜網(wǎng)絡(luò)的場景交互建模

擬人化的自動(dòng)駕駛技術(shù)在提高自動(dòng)駕駛的安全性和舒適性方面具有潛在的優(yōu)勢。人類駕駛員在高級(jí)別駕駛中能夠依靠其高效的綜合認(rèn)知能力應(yīng)對復(fù)雜的交通場景，復(fù)雜網(wǎng)絡(luò)作為研究復(fù)雜系統(tǒng)的工具，可以通過模擬交通場景中的各種因素，生成更加真實(shí)的交通場景模型。這種模型可以幫助自動(dòng)駕駛系統(tǒng)更好地理解和應(yīng)對復(fù)雜的交通環(huán)境，從而提高自動(dòng)駕駛的擬人化水平。

本文提出了一種建模自動(dòng)駕駛車輛所在的微觀場景的雙層復(fù)雜網(wǎng)絡(luò)模型，其中第1 層為交通參與者層，第2層為道路層。

1.2.1 交通參與者層與道路層

在第1層網(wǎng)絡(luò)中，將交通參與者定義為節(jié)點(diǎn)，交通參與者之間的交互關(guān)系即風(fēng)險(xiǎn)關(guān)系定義為節(jié)點(diǎn)之間的邊構(gòu)造了交通參與者層Gat=(Va，Ea，Wa)t。其中，Gat代表第1 層網(wǎng)絡(luò)，交通參與者層：Va是第1 層節(jié)點(diǎn)的集合；Ea是第1 層邊的集合；Wa為邊的權(quán)值集合，表示節(jié)點(diǎn)之間的交互關(guān)系，權(quán)值的計(jì)算如圖2所示。

圖2 交通參與者層邊的權(quán)重計(jì)算示意圖

在真實(shí)的行車環(huán)境中，由于交通參與者（下文中以車輛為例）的狀態(tài)和尺寸不同，相同距離下智能體之間的交互強(qiáng)度也不同。以往的工作通常使用目標(biāo)間的歐氏距離大小來建模空間交互關(guān)系，難以描述交通參與者之間復(fù)雜的交互特性。因此，本文中基于可變高斯安全場來計(jì)算節(jié)點(diǎn)間的風(fēng)險(xiǎn)關(guān)系：

式中：Sdyn表示安全場中某一位置的場強(qiáng)；Ca為場強(qiáng)系數(shù)； (x0，y0)為場源車輛位置坐標(biāo)； (x′0，y′0)為動(dòng)態(tài)場景下場源車輛中心轉(zhuǎn)移坐標(biāo)； (x，y)為可變高斯安全場中任意點(diǎn)的位置；kv為調(diào)節(jié)因子，且有0 ＜kv＜1 或-1 ＜kv＜0，其符號(hào)與運(yùn)動(dòng)的前后方向相對應(yīng)；β為(x0，y0)與(x′0，y′0)構(gòu)成的轉(zhuǎn)移矢量與x坐標(biāo)軸的夾角；Ll和Lw分別為車輛的長和寬；σ′x和σ′y為與車輛外形相關(guān)的函數(shù)；v為車輛運(yùn)動(dòng)的速度矢量；a為車輛運(yùn)動(dòng)的加速度；μ和γ分別為加速度和速度影響因子；δx和δy分別為車輛縱向和橫向分布影響因子。

駕駛環(huán)境中的節(jié)點(diǎn)交互是一個(gè)動(dòng)態(tài)的復(fù)雜過程，節(jié)點(diǎn)之間的風(fēng)險(xiǎn)與距離、速度值和方向角密切相關(guān)。本文在可變高斯安全場的基礎(chǔ)上，建立了節(jié)點(diǎn)間的風(fēng)險(xiǎn)關(guān)系的計(jì)算函數(shù)：

式中：|Si，j|是節(jié)點(diǎn)vi在節(jié)點(diǎn)vj處的場強(qiáng)； |vj|是節(jié)點(diǎn)vj的速度標(biāo)量； 方向角θi，j是節(jié)點(diǎn)vj的速度矢量vj與場強(qiáng)矢量Si，j的夾角（順時(shí)針為正向）；kc為風(fēng)險(xiǎn)關(guān)系調(diào)節(jié)因子。將節(jié)點(diǎn)vi和節(jié)點(diǎn)vj的狀態(tài)代入公式，可計(jì)算得到某一時(shí)刻節(jié)點(diǎn)vi對節(jié)點(diǎn)vj的風(fēng)險(xiǎn)值，即節(jié)點(diǎn)vi向節(jié)點(diǎn)vj的有向邊eij的權(quán)重wij。值得注意的是，本文所提方法允許以任意交通參與者為場源，通過計(jì)算得到場景中所有交通參與者受到的風(fēng)險(xiǎn)值，從而獲得所有有向邊的權(quán)重。

道路作為交通三要素之一，是建模微觀交通場景不可或缺的一部分。受相關(guān)工作的啟發(fā)，本文將高清地圖表示為車道圖的形式，構(gòu)成了道路層Grt=(Vr，Er)，道路層以固定長度的道路中心線分段作為節(jié)點(diǎn)，路段的拓?fù)潢P(guān)系作為邊。

根據(jù)現(xiàn)實(shí)生活中車輛車道保持或變道的需求，受PGP 中構(gòu)建車道圖的啟發(fā)，本文道路層節(jié)點(diǎn)的出邊包含后繼邊和鄰近邊兩種類型，后繼邊沿可行駛方向連接該車道相鄰的兩個(gè)節(jié)點(diǎn)。對于交叉口，一個(gè)給定的節(jié)點(diǎn)可以有多個(gè)后繼節(jié)點(diǎn)，多個(gè)節(jié)點(diǎn)可以有相同的后繼節(jié)點(diǎn)；鄰近邊沿可行駛方向連接相鄰車道的兩個(gè)節(jié)點(diǎn)，前提是它們彼此之間的距離和運(yùn)動(dòng)方向在閾值內(nèi)。遍歷道路層車道圖獲得的任何路徑都滿足車輛在場景中的合法路線。

1.2.2 雙層復(fù)雜網(wǎng)絡(luò)

交通場景中的各個(gè)要素之間存在復(fù)雜的交互關(guān)系，因此本文將交通參與者層與道路層聯(lián)系起來構(gòu)成雙層復(fù)雜網(wǎng)絡(luò)，用以刻畫交通場景，如圖3所示。

圖3 雙層復(fù)雜網(wǎng)絡(luò)示意圖

本文連接交通參與者層節(jié)點(diǎn)vai與其對應(yīng)位置一定范圍內(nèi)的道路層節(jié)點(diǎn)vri，雙層復(fù)雜網(wǎng)絡(luò)模型由下式表示：

式中：(t)表示交通參與者層節(jié)點(diǎn)vai在t時(shí)刻的節(jié)點(diǎn)狀態(tài)；等號(hào)右邊第1 部分fa(Sai(t))表示交通參與者層自身的單個(gè)節(jié)點(diǎn)動(dòng)力學(xué)，第2 部分表示交通參與者層的層內(nèi)耦合，其中baij表示層內(nèi)連接情況，若節(jié)點(diǎn)vai與節(jié)點(diǎn)vaj存在連邊則為1 否則為0，同理，第3部分表示交通參與者層與道路層的層間耦合，caijr表示層間連接情況；N和M分別代表交通參與者層和道路層的節(jié)點(diǎn)個(gè)數(shù)。

第3 部分交通參與者層節(jié)點(diǎn)對道路層節(jié)點(diǎn)的作用體現(xiàn)在交通參與者的運(yùn)動(dòng)狀態(tài)對道路通行權(quán)變更的影響；反過來道路層節(jié)點(diǎn)對交通參與者層節(jié)點(diǎn)的影響體現(xiàn)在道路拓?fù)浣Y(jié)構(gòu)和可達(dá)性對交通參與者運(yùn)動(dòng)的約束。

以雙層復(fù)雜網(wǎng)絡(luò)為指導(dǎo)，本文通過復(fù)雜網(wǎng)絡(luò)編碼器、目標(biāo)點(diǎn)預(yù)測器和軌跡解碼器3 個(gè)模塊實(shí)現(xiàn)了目標(biāo)車輛 的未來軌跡預(yù)測。

1.3 復(fù)雜網(wǎng)絡(luò)編碼器

首先使用3 個(gè)GRU 編碼器對感興趣車輛軌跡、周圍車輛軌跡及車道特征進(jìn)行獨(dú)立編碼，分別得到感興趣車輛歷史軌跡特征向量Hego、周邊交通參與者編碼和車道節(jié)點(diǎn)編碼Hrv。

根據(jù)上文建立的風(fēng)險(xiǎn)關(guān)系計(jì)算函數(shù)求得t時(shí)刻感興趣車輛vego受到的距離閾值內(nèi)其他交通參與者的空間交互影響力，即交通參與者層邊的權(quán)值集合Wa。再將其用softmax 函數(shù)進(jìn)行歸一化作為賦予其他交通參與者的空間注意力權(quán)重Wt，ego。接下來將Wt，ego與對應(yīng)周邊交通參與者的編碼相乘更新交通參與者編碼得到。最后經(jīng)過多層感知機(jī)得到交互池化向量Mt，ego。該方法考慮了更多的車輛行駛狀態(tài)參數(shù)和尺寸，可以更真實(shí)、準(zhǔn)確地捕捉現(xiàn)實(shí)交通環(huán)境中交通參與者之間復(fù)雜的交互特性，且有更好的可解釋性。

為體現(xiàn)交通參與者層對道路層的影響，采用縮放點(diǎn)積注意用感興趣車輛附近的交通參與者編碼更新車道節(jié)點(diǎn)編碼Hrv。通過對距離閾值內(nèi)的其他交通參與者編碼進(jìn)行線性投影來獲取鍵和值，通過對Hrv進(jìn)行線性投影來獲取查詢。最后，將縮放點(diǎn)積注意層的輸出與原始車道節(jié)點(diǎn)編碼進(jìn)行拼接，得到更新后的節(jié)點(diǎn)編碼H˙rv。

1.4 目標(biāo)點(diǎn)預(yù)測器

目標(biāo)點(diǎn)預(yù)測器將具有代表性的實(shí)例存儲(chǔ)在內(nèi)存庫，前向計(jì)算中使用內(nèi)存尋址器在內(nèi)存庫中搜索與當(dāng)前場景相似的實(shí)例，并借此預(yù)測未來目標(biāo)點(diǎn)。

1.4.1 內(nèi)存庫

內(nèi)存庫采用類似于字典的構(gòu)造：每一組數(shù)據(jù)由一對相關(guān)的過去特征和目標(biāo)點(diǎn)構(gòu)成。過去特征存儲(chǔ)感興趣車輛的歷史軌跡特征、認(rèn)知域范圍內(nèi)其他智能體特征（交互特征）和局部道路特征，目標(biāo)點(diǎn)存儲(chǔ)相應(yīng)的未來目標(biāo)點(diǎn)特征。所有的過去特征組成過去特征記憶庫Mp={p1，p2，…，pi，…，pU}，pi記錄從第i個(gè)訓(xùn)練樣本的歷史信息中提取的特征，使用第i個(gè)訓(xùn)練樣本的交互池化向量Miego與局部道路節(jié)點(diǎn)特征進(jìn)行連接后作為輸入的特征；所有的目標(biāo)點(diǎn)組成未來目標(biāo)點(diǎn)記憶庫Mf={t1，t2，…，ti，…，tU}，ti記錄了第i個(gè)訓(xùn)練樣本的目的地中提取的特征，使用第i個(gè)訓(xùn)練樣本真實(shí)軌跡終點(diǎn)經(jīng)過全連接層編碼得到的特征向量作為輸入。過去特征記憶庫和目標(biāo)點(diǎn)記憶庫有相同的大小U。

為保證內(nèi)存庫的多樣性和代表性，需要在內(nèi)存庫初始化時(shí)基于余弦相似度進(jìn)行數(shù)據(jù)過濾。余弦相似度是一種用于比較兩個(gè)向量之間相似度的度量方法，范圍在-1～1 之間。余弦相似度越大，表示兩個(gè)向量越相似。假設(shè)實(shí)例i(pi，ti)是內(nèi)存庫中已有的數(shù)據(jù)，實(shí)例j(pj，tj)是待入庫的數(shù)據(jù)，則實(shí)例j在以下情況被視為冗余數(shù)據(jù)而跳過，不會(huì)加入數(shù)據(jù)庫：

式中(pi，ti)和(pj，tj)分別表示實(shí)例i和實(shí)例j的過去記憶特征和未來目標(biāo)點(diǎn)特征。

1.4.2 內(nèi)存尋址與聚類

內(nèi)存尋址器旨在通過比較輸入向量和內(nèi)存庫中的過去特征，挑選出與輸入向量最相似的內(nèi)存實(shí)例，并輸出它們對應(yīng)的未來目標(biāo)點(diǎn)特征。與數(shù)據(jù)過濾類似地，內(nèi)存尋址器也基于余弦相似度實(shí)現(xiàn)。假設(shè)在前向計(jì)算中待預(yù)測車輛的歷史信息編碼為向量xp，使用余弦相似度來計(jì)算輸入向量xp與內(nèi)存庫中每個(gè)過去特征pi(i= 1，2，…，U)的相似度分?jǐn)?shù)：

雖然數(shù)據(jù)篩選已經(jīng)在一定程度上消除了冗余，使內(nèi)存庫中的目標(biāo)點(diǎn)更具多樣性，但仍難以刻畫交通場景中車輛軌跡的復(fù)雜性，因?yàn)樵诂F(xiàn)實(shí)生活中，車輛軌跡數(shù)據(jù)存在長尾效應(yīng)。本文中提出一種兩步走的目標(biāo)點(diǎn)聚類方法來捕捉這些內(nèi)存實(shí)例并計(jì)算其概率，以實(shí)現(xiàn)多樣化的預(yù)測。

在預(yù)測K個(gè)可能的目標(biāo)點(diǎn)時(shí)，通過相似性得分來挑選出L?K個(gè)內(nèi)存實(shí)例，并將其解碼成L個(gè)粗略目標(biāo)錨。從而盡可能多地捕獲智能體的運(yùn)動(dòng)模式。然后使用K-means 聚類方法對L個(gè)粗略目標(biāo)錨進(jìn)行聚類，以產(chǎn)生K個(gè)可能的目標(biāo)點(diǎn)。進(jìn)一步整合彼此接近的運(yùn)動(dòng)模式，使目標(biāo)點(diǎn)預(yù)測結(jié)果兼顧多樣性和代表性，最終通過這種兩步目標(biāo)點(diǎn)預(yù)測策略獲得更加精確和可信的未來目標(biāo)點(diǎn)預(yù)測結(jié)果。

此外，為計(jì)算不同目標(biāo)點(diǎn)的概率，提出一種目標(biāo)點(diǎn)概率計(jì)算方法，假設(shè)存在K個(gè)聚類簇C1，C2，…，Ck，…，CK，其中Ck包含nk個(gè)內(nèi)存實(shí)例，對于每個(gè)聚類簇Ck，計(jì)算其內(nèi)部所有樣本之間的平均相似度分?jǐn)?shù)：

式中s(xp，pki)是內(nèi)存實(shí)例i和輸入向量xp之間的相似度得分。

然后對所有聚類簇的平均相似度得分進(jìn)行歸一化處理，獲得每個(gè)聚類簇對應(yīng)目標(biāo)點(diǎn)的概率：

式中：Pk表示第k個(gè)聚類簇對應(yīng)的目標(biāo)點(diǎn)概率；表示第k個(gè)聚類簇中所有樣本的平均相似度分?jǐn)?shù)。所有目標(biāo)點(diǎn)的概率之和為1，這樣得到的概率可以反映目標(biāo)點(diǎn)在當(dāng)前場景下的預(yù)測置信度。這樣預(yù)測的目標(biāo)點(diǎn)可以捕捉低頻出現(xiàn)的軌跡終點(diǎn)且合并高頻出現(xiàn)的終點(diǎn)，提高預(yù)測的多樣性和魯棒性。

1.5 軌跡解碼器

軌跡解碼器由兩部分組成，首先遍歷車道圖得到參考軌跡，再以參考軌跡為條件解碼得到最終的預(yù)測結(jié)果。

現(xiàn)實(shí)中人類駕駛員在駕駛途中會(huì)根據(jù)當(dāng)前場景判斷某沖突路段自己是否可以優(yōu)先通行，即判斷自車是否擁有該路段的通行權(quán)，尤其是在變道等強(qiáng)交互場景中。本文訓(xùn)練了一種基于MLP 的道路節(jié)點(diǎn)出邊的分類器，該分類器共享權(quán)重，用于判斷每個(gè)節(jié)點(diǎn)的出邊(u，v)在當(dāng)前場景下是否可行：

使用每個(gè)預(yù)測實(shí)例的地面真實(shí)未來軌跡確定車輛訪問了哪些節(jié)點(diǎn)。為避免在交叉口因?yàn)槎嘬嚨老嘟欢e(cuò)誤地分配道路層節(jié)點(diǎn)，本文不僅考慮了智能體與道路節(jié)點(diǎn)的距離，還要求節(jié)點(diǎn)代表的路段方向與智能體運(yùn)動(dòng)方向的夾角在閾值內(nèi)。如果節(jié)點(diǎn)u和v都被訪問，則邊(u，v)被視為可行，否則為不可行。本文使用地面真實(shí)軌跡訪問的所有邊的標(biāo)簽，用交叉熵?fù)p失作為分類器的損失函數(shù)：

式中：Q表示地面真實(shí)軌跡訪問的所有邊的數(shù)量；yi表示第i個(gè)樣本的真實(shí)標(biāo)簽;i表示第i個(gè)樣本的預(yù)測標(biāo)簽。

通過得到所有節(jié)點(diǎn)出邊的可達(dá)性，構(gòu)建一個(gè)新的有向連通圖，進(jìn)一步采用圖遍歷算法來尋找圖中預(yù)測起點(diǎn)到預(yù)測目標(biāo)點(diǎn)的路徑作為參考軌跡。

在獲得參考軌跡后，通過以參考軌跡為條件的解碼過程來完成整個(gè)軌跡。本文中將自車軌跡特征Hego、局部道路特征和由MLP 編碼的參考軌跡特征串聯(lián)起來，對整個(gè)軌跡進(jìn)行解碼。為避免懲罰多樣化合理的預(yù)測軌跡，采用勝者通吃的策略，使用K條預(yù)測軌跡Y={Y1，…，Yk，…，YK}中距離真實(shí)軌跡平均位移誤差最小的作為損失函數(shù)：

損失函數(shù)LCN-MAN由分類器的交叉熵?fù)p失函數(shù)LBC和真實(shí)與軌跡解碼器的損失函數(shù)Ltra組成：

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)集

利用nuScenes數(shù)據(jù)集對所提算法進(jìn)行評估驗(yàn)證，該數(shù)據(jù)集是一個(gè)擁有1 000個(gè)場景、每個(gè)場景20 s的自動(dòng)駕駛汽車數(shù)據(jù)集，涵蓋了波士頓和新加坡地區(qū)。本文的預(yù)測任務(wù)是利用過去2 s 的對象歷史和地圖信息預(yù)測未來6 s 內(nèi)的行駛軌跡。為進(jìn)行公正的比較，使用了nuScenes 軟件工具包提供的標(biāo)準(zhǔn)分割方法。通過在這一實(shí)驗(yàn)平臺(tái)上的全面測試和驗(yàn)證，得以充分展示了所提出方法具備的優(yōu)越性和實(shí)用性，也可以為相關(guān)領(lǐng)域的后續(xù)研究提供有力的借鑒和支持。

2.2 評價(jià)指標(biāo)

使用最小平均位移誤差（mADE_K）和最小最終位移誤差（mFDE）兩個(gè)指標(biāo)對預(yù)測性能進(jìn)行評價(jià)。其中mADE_K是K條概率最高的候選軌跡的整個(gè)時(shí)間步長上預(yù)測軌跡點(diǎn)與地面真值之間的平均L2 距離，mFDE為概率最高的候選預(yù)測軌跡終點(diǎn)與地面真值之間的位移誤差。計(jì)算公式為

式中：([i]，[i])為感興趣車輛的第i條預(yù)測軌跡在τ時(shí)刻的位置； (xtτruth，yτtruth)為該車輛在τ時(shí)刻的地面真實(shí)軌跡位置；tf是預(yù)測步長。

2.3 實(shí)驗(yàn)結(jié)果

將提出的CN-MAN 與nuScenes 排行榜中的如下典型模型進(jìn)行定量和定性分析。

（1）P2T：該方法根據(jù)IRL 策略預(yù)測合理的智能體目標(biāo)，并在場景上定義的粗略2D網(wǎng)格上生成到達(dá)這些目標(biāo)的路徑，最后提出一種基于注意力機(jī)制的軌跡生成器來預(yù)測軌跡。

（2）AgentFormer：該模型在推斷智能體的未來位置時(shí)，可以關(guān)注任何先前時(shí)間步長的任何智能體的特征。所有智能體的潛在意圖也被聯(lián)合建模，允許一個(gè)智能體行為的隨機(jī)性影響其他智能體。

（3）GOHOME：利用高清地圖的圖形表示和稀疏投影生成一個(gè)熱力圖，代表給定的交通場景中某智能體未來位置的概率分布。

（4）Trajectron++：通過生成多智能體軌跡預(yù)測并考慮動(dòng)力學(xué)約束的通用方法，采用語義地圖整合高維異質(zhì)數(shù)據(jù)，有效提高預(yù)測的精度和可擴(kuò)展性。

2.3.1 結(jié)果分析

對比本文所提方法CN-MAN 與上述先進(jìn)模型的性能，如表1 所示。結(jié)果表明，所提出的方法在mADE_5 以及mADE_10 指標(biāo)上取得最優(yōu)結(jié)果。此外，與P2T的對比結(jié)果表明，使用基于矢量地圖的道路表征比柵格地圖更能捕捉道路對智能體運(yùn)動(dòng)的影響。本文所提出方法在指標(biāo)mFDE_1 的表現(xiàn)遜于GOHOME，這可能緣于本模型在對目標(biāo)點(diǎn)的預(yù)測中使用聚類算法限制了目標(biāo)點(diǎn)取值范圍的大小，影響最終預(yù)測結(jié)果。

表1 CN-MAN與Nuscenes數(shù)據(jù)集榜單先進(jìn)模型的比較

對所提出的模型在nuScenes數(shù)據(jù)集上進(jìn)行可視化效果展示。圖4 展示了該模型的預(yù)測軌跡，紅色線條為預(yù)測軌跡，綠色線條為地面真實(shí)軌跡。在路段上的預(yù)測效果非常貼合真實(shí)軌跡，而在交叉口處的預(yù)測軌跡也表現(xiàn)出良好的多模態(tài)性，顯示出針對不同軌跡匹配的置信度，從側(cè)面體現(xiàn)了模型預(yù)測結(jié)果的安全性。同時(shí)模型預(yù)測得到不同軌跡的速度差異，準(zhǔn)確地捕捉了可能存在的速度變化，說明所提出模型具有相當(dāng)?shù)念A(yù)測精度，另一方面證明了該模型在考慮諸多因素（如車道結(jié)構(gòu)、智能體的行駛速度、加速度、航向角等）的同時(shí)，仍然保持靈活性和可拓展性。

圖4 模型預(yù)測效果

2.3.2 消融實(shí)驗(yàn)

探討CN-MAN 模型中各模塊的有效性，包括智能體節(jié)點(diǎn)交互池化，智能體與道路節(jié)點(diǎn)注意力層和參考軌跡。表2給出實(shí)驗(yàn)結(jié)果，結(jié)果表明以上模塊，尤其是交互池化與參考軌跡，都有助于提高預(yù)測的準(zhǔn)確性。

表2 部分模塊在Nuscenes數(shù)據(jù)集上的消融實(shí)驗(yàn)

此外，本文對目標(biāo)點(diǎn)預(yù)測器中初篩目標(biāo)點(diǎn)數(shù)L（表3）與過濾實(shí)例的相似度閾值θ（圖5）進(jìn)行了研究。實(shí)驗(yàn)結(jié)果表明：當(dāng)相似度閾值過大時(shí)，大量冗余信息被保留，影響軌跡預(yù)測的多樣性；相反，當(dāng)相似度閾值過小時(shí)，許多有用的信息也被拋棄，從而影響預(yù)測性能。同樣，當(dāng)初篩目標(biāo)點(diǎn)數(shù)L取值過大時(shí)，會(huì)包含很多不相關(guān)的實(shí)例，而取值過小時(shí)會(huì)降低目標(biāo)點(diǎn)預(yù)測的多樣性，都會(huì)對預(yù)測精度產(chǎn)生影響。最終，通過實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)閾值θ設(shè)定為0.7，L設(shè)置為140 時(shí)模型性能最佳。

表3 目標(biāo)點(diǎn)預(yù)測器中初篩目標(biāo)點(diǎn)數(shù)L對預(yù)測精度的影響

圖5 目標(biāo)點(diǎn)預(yù)測器中過濾閾值θ對預(yù)測精度的影響

2.3.3 實(shí)時(shí)性驗(yàn)證

使用一個(gè)RTX-3090 GPU在nuScenes數(shù)據(jù)集上運(yùn)行整個(gè)預(yù)測模型20 次。每個(gè)樣本平均預(yù)測時(shí)間為23.16 ms，實(shí)時(shí)預(yù)測幀率為43.2 fps，大大快于常見的數(shù)據(jù)采集采樣率。

3 結(jié)論

提出一個(gè)基于復(fù)雜網(wǎng)絡(luò)和記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)的自動(dòng)駕駛軌跡預(yù)測方法，創(chuàng)新構(gòu)建了雙層動(dòng)態(tài)復(fù)雜網(wǎng)絡(luò)模型，實(shí)現(xiàn)了高可靠性和可解釋性的多模態(tài)軌跡預(yù)測。該模型使用高斯可變安全場計(jì)算風(fēng)險(xiǎn)權(quán)重，考慮了交通參與者的行駛狀態(tài)參數(shù)、形狀尺寸和智能體與道路之間的相互影響，真實(shí)準(zhǔn)確地反映復(fù)雜環(huán)境中多交通主體間的交互關(guān)系；構(gòu)建了一種由注意力機(jī)制和包含風(fēng)險(xiǎn)權(quán)重的社交池組成的復(fù)雜網(wǎng)絡(luò)編碼模塊，實(shí)現(xiàn)了動(dòng)態(tài)復(fù)雜場景中交通參與者與道路約束之間作用特征的全面有效提?。粯?gòu)建了以參考軌跡為條件的軌跡解碼模塊，實(shí)現(xiàn)了兼顧精度和可解釋性的多模態(tài)軌跡輸出，并提出了一個(gè)三步走的軌跡預(yù)測系統(tǒng)，首先利用記憶增強(qiáng)網(wǎng)絡(luò)預(yù)測目標(biāo)點(diǎn)，其次判斷道路節(jié)點(diǎn)出邊的可達(dá)性得到參考軌跡，最后以參考軌跡為條件獲得整個(gè)預(yù)測軌跡。實(shí)驗(yàn)結(jié)果表明，本文所提出的方法在公開數(shù)據(jù)集nuScenes 上性能優(yōu)異，且具有較好的可解釋性。未來，將繼續(xù)挖掘研究應(yīng)用復(fù)雜網(wǎng)絡(luò)建模交通場景的優(yōu)勢，充分發(fā)揮其潛力，進(jìn)一步提高軌跡預(yù)測精度以及可解釋性。