編者按：在進(jìn)行車輛軌跡預(yù)測(cè)時(shí)，車輛之間的交互建模會(huì)直接影響到預(yù)測(cè)精度，在以往的大部分預(yù)測(cè)模型中都建立在車輛之間交互具有連續(xù)性的假設(shè)上。沒(méi)有充分考慮由于不同的行為而引起的交互對(duì)象之間的交互變化。除此之外，由于交通標(biāo)志和交通燈的限制，車輛在停止、直行、右轉(zhuǎn)和左轉(zhuǎn)的運(yùn)動(dòng)中通常也會(huì)表現(xiàn)出不連續(xù)性。本文中通過(guò)構(gòu)建空間動(dòng)態(tài)交互圖、行為依賴圖并引入交通信號(hào)燈信息對(duì)交互和運(yùn)動(dòng)的不連續(xù)依賴進(jìn)行建模。

本文譯自：

《D2-TPred: Discontinuous Dependency for Trajectory Prediction under Traffic Lights》

文章來(lái)源：

Computer Vision–ECCV 2022: 17th European Conference, Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part VIII. Cham: Springer Nature Switzerland, 2022: 522-539.

作者：

Yuzhen Zhang, Wentong Wang, Weizhi Guo, Pei Lv, Mingliang Xu, Wei Chen,  Dinesh Manocha

原文鏈接：

6596/1939/1/012011/metahttps://link.springer.com/chapter/10.1007/978-3-031-20074-8_30

代碼鏈接：

https://github.com/VTP-TL/D2-TPred

摘要：當(dāng)在復(fù)雜場(chǎng)景中進(jìn)行導(dǎo)航時(shí)，深入了解代理之間的關(guān)系和運(yùn)動(dòng)行為對(duì)于實(shí)現(xiàn)高質(zhì)量規(guī)劃非常重要。我們提出了一種考慮交通燈的軌跡預(yù)測(cè)方法D2-TPred，它使用空間動(dòng)態(tài)交互圖(SDG)和行為依賴圖(BDG)來(lái)處理時(shí)空空間中的不連續(xù)依賴問(wèn)題。具體而言，SDG通過(guò)在每一幀中為不同的代理重建子圖來(lái)捕獲空間交互。BDG通過(guò)建模當(dāng)前狀態(tài)與先前行為之間的隱式依賴關(guān)系，特別是與加速、減速或轉(zhuǎn)向相對(duì)應(yīng)的不連續(xù)運(yùn)動(dòng)來(lái)推斷運(yùn)動(dòng)趨勢(shì)。此外，我們還提出了一個(gè)新的具有交通燈信息的車輛軌跡預(yù)測(cè)數(shù)據(jù)集，叫做VTP-TL。我們的實(shí)驗(yàn)結(jié)果表明，與其他軌跡預(yù)測(cè)算法相比，我們的模型在VTP-TL上的ADE和FDE分別提高了20.45%和20.78%以上。

關(guān)鍵詞：動(dòng)態(tài)交互圖、行為依賴圖、不連續(xù)依賴、紅綠燈

1 引言

車輛或代理的交互關(guān)系和行為意圖經(jīng)常用于各種自動(dòng)駕駛?cè)蝿?wù)[4,27,32]。一個(gè)關(guān)鍵任務(wù)是預(yù)測(cè)每個(gè)車輛或道路代理的未來(lái)軌跡，用于執(zhí)行安全導(dǎo)航或交通預(yù)測(cè)[1,40,6,48]?，F(xiàn)有的軌跡預(yù)測(cè)方法主要是從空間交互和行為建模中提取時(shí)空信息。在空間交互方面，以往的大部分工作都是根據(jù)預(yù)定義的交互區(qū)域來(lái)確定對(duì)象之間的交互，例如整個(gè)場(chǎng)景[1,40,36,42,48]，局部區(qū)域[2,12,6]，以及對(duì)應(yīng)視覺(jué)注意力的區(qū)域[19]。然而，這些方法沒(méi)有充分考慮由于不同的行為而引起的鄰居之間變化的交互和依賴性，如改變車道或轉(zhuǎn)向，可能會(huì)導(dǎo)致新的成對(duì)交互。在行為依賴性方面，這些預(yù)測(cè)算法使用基于LSTM的方法[23,48]或基于圖的方法[29,38]從先前狀態(tài)獲取相關(guān)信息。

在本文中，我們解決了交通信號(hào)燈或十字路口附近區(qū)域的軌跡預(yù)測(cè)問(wèn)題。由于交通標(biāo)志和交通燈的限制，紅、綠、黃狀態(tài)由離散指標(biāo)標(biāo)記，車輛在停止、直行、右轉(zhuǎn)和左轉(zhuǎn)的運(yùn)動(dòng)行為中通常不會(huì)表現(xiàn)出一階連續(xù)性。相反，它們的軌跡受環(huán)境或其他代理的不連續(xù)影響的支配。例如，在圖1的綠色框中，車輛、和之間的交互從時(shí)間到發(fā)生了變化。即使這些車輛位于由距離確定的相同交互區(qū)域內(nèi)(綠色框)，但是車輛之間的空間和行為交互已經(jīng)發(fā)生很大變化，我們需要對(duì)此類變化進(jìn)行建模。對(duì)于車輛來(lái)說(shuō)，影響它當(dāng)前狀態(tài)最重要的因素是由于右轉(zhuǎn)而導(dǎo)致的行為變化，而不是相鄰時(shí)間戳的運(yùn)動(dòng)狀態(tài)。我們將這種現(xiàn)象稱為不連續(xù)依賴（D2），這使得精確的空間-時(shí)間特征提取極具挑戰(zhàn)性。目前的軌跡預(yù)測(cè)方法沒(méi)有充分考慮到這一特性，即交通代理的軌跡通常由于頻繁的啟動(dòng)和停止而導(dǎo)致不是一階連續(xù)的。

主要結(jié)果：為了模擬交通代理之間的不連續(xù)依賴關(guān)系，我們提出了一種新的軌跡預(yù)測(cè)方法(D2-TPred)。在我們的方法中，我們?yōu)橐粠械牟煌煌ù順?gòu)建了一個(gè)空間動(dòng)態(tài)交互圖(SDG)。每個(gè)交通代理都被視為一個(gè)圖節(jié)點(diǎn)，我們計(jì)算適當(dāng)?shù)倪厑?lái)模擬它與其他不斷變化的相鄰代理的交互，這些相鄰代理由視覺(jué)范圍、距離和車道索引以及它們的相對(duì)位置方面的不連續(xù)依賴關(guān)系確定。

此外，為每個(gè)代理計(jì)算行為依賴圖(BDG)，根據(jù)它們?cè)谙惹皶r(shí)間中的行為對(duì)不連續(xù)性進(jìn)行建模，而不僅僅是相鄰的時(shí)間戳。具體來(lái)說(shuō)，為了避免加速、減速或轉(zhuǎn)彎方向等關(guān)鍵行為特征被遺忘門過(guò)濾，或者誤差會(huì)在RNN網(wǎng)絡(luò)的順序預(yù)測(cè)中累積，將相鄰幀之間依賴信息傳遞的方式替換為GAT（圖形注意力網(wǎng)絡(luò)）[31]。SDG和BDG被用作基于圖形的軌跡預(yù)測(cè)網(wǎng)絡(luò)的一部分。我們還提出了一個(gè)用于車輛軌跡預(yù)測(cè)的新數(shù)據(jù)集VTP-TL。我們的數(shù)據(jù)集由城市環(huán)境下的不同的交通場(chǎng)景組成，例如十字路口、丁字路口交叉路口和環(huán)島，其中包含車輛軌跡的二維坐標(biāo)和每個(gè)交通路口的1000多輛帶注釋的車輛。我們工作的貢獻(xiàn)主要如下：

1、我們提出了一種新的軌跡預(yù)測(cè)方法D2-TPred，它建模了車輛軌跡中的各種不連續(xù)性。2、我們提出了兩種類型的數(shù)據(jù)結(jié)構(gòu)來(lái)提高基于圖的網(wǎng)絡(luò)的性能，以建模動(dòng)態(tài)交互和車輛行為。SDG通過(guò)為每個(gè)幀中具有不斷變化的鄰車的代理重建適當(dāng)?shù)慕换プ訄D來(lái)對(duì)空間交互進(jìn)行建模。BDG用于模擬當(dāng)前狀態(tài)對(duì)先前行為的動(dòng)態(tài)變化的行為依賴性。SDG和BDG的使用在ADE和FDE中將預(yù)測(cè)精度提高了22.45%和29.39%。3、我們提出了一個(gè)新的數(shù)據(jù)集VTP-TL，他們是針對(duì)交通信號(hào)燈和路口附近的交通視頻數(shù)據(jù)。其中包括對(duì)應(yīng)于具有挑戰(zhàn)性的城市場(chǎng)景的150分鐘的30fps視頻。該數(shù)據(jù)集是在交通路口上方70至120米處使用無(wú)人機(jī)捕獲的。
2 相關(guān)工作     

圖神經(jīng)網(wǎng)絡(luò)：圖神經(jīng)網(wǎng)絡(luò)(GNN)[58]可以對(duì)代理之間的交互進(jìn)行建模?；贕NN的現(xiàn)有軌跡預(yù)測(cè)方法可以分為兩類。第一種是基于無(wú)向圖，它利用圖結(jié)構(gòu)顯式地構(gòu)建交互并為每對(duì)節(jié)點(diǎn)分配相同的權(quán)重，例如STUGCN[55]、SocialSTGCNN[29]。第二種是基于圖注意力網(wǎng)絡(luò)（GAT）[31]，它在無(wú)向圖中引入了一種注意力機(jī)制來(lái)計(jì)算交互代理的不對(duì)稱影響權(quán)重?；贕AT的方法，例如Social-BiGAT[43]、STGAT[23]、EvolveGraph[24]和SGCN[38]，可以靈活地模擬非對(duì)稱交互以計(jì)算時(shí)空特征并提高預(yù)測(cè)精度。同時(shí)，EvolveGraph[24]和SGCN[38]引入圖結(jié)構(gòu)推理來(lái)生成動(dòng)態(tài)和稀疏交互。與這些方法不同，我們直接將根據(jù)視覺(jué)范圍、距離和交通規(guī)則確定的交互對(duì)象構(gòu)造一個(gè)有向圖，并使用GAT來(lái)表示代理之間的非對(duì)稱交互。

圖1 交通燈附近十字路口車輛間不連續(xù)相依關(guān)系的圖解

社交互動(dòng)模型：代理需要使用交互和相關(guān)信息來(lái)做出合理的決定，以避免潛在的碰撞?；谏鐣?huì)力的方法[13,33,49]使用不同類型的力來(lái)模擬加速和減速力。基于社交池的方法[2,12,1,40]嘗試整合半徑內(nèi)鄰車的運(yùn)動(dòng)信息?；贕NN的技術(shù)[42,43,24,29,41,23,46]使用圖形結(jié)構(gòu)來(lái)直接模擬代理之間的交互。這些方法假設(shè)代理與預(yù)定義或附近區(qū)域中的所有其他代理進(jìn)行交互。他們沒(méi)有考慮那些需要修剪的鄰車，尤其是沿著相反的車道行駛的代理。

運(yùn)動(dòng)模型：運(yùn)動(dòng)模型作為軌跡預(yù)測(cè)模型的一部分用于推斷運(yùn)動(dòng)信息。早期的研究主要基于線性模型、恒速模型或恒加速度模型來(lái)預(yù)測(cè)未來(lái)軌跡[52]。然而，這些簡(jiǎn)單的模型無(wú)法處理復(fù)雜的交通場(chǎng)景。此外，還提出了基于LSTM的方法[2,1,23,39]和基于圖的方法[54,55,29,38]來(lái)對(duì)運(yùn)動(dòng)軌跡進(jìn)行建模。其他技術(shù)考慮了駕駛員行為[7,3]。Giuliari等人[17]使用transformer網(wǎng)絡(luò)進(jìn)行精確的軌跡預(yù)測(cè)。在本文中，將時(shí)間序列中代理的狀態(tài)視為節(jié)點(diǎn)來(lái)構(gòu)建有向圖，進(jìn)一步實(shí)現(xiàn)不連續(xù)時(shí)間戳之間的直接建模，而不僅僅是相鄰的時(shí)間戳。

      3 D2-TPred     

在本節(jié)中，我們提出了一種新的基于學(xué)習(xí)的軌跡預(yù)測(cè)算法，該算法建模了交通燈對(duì)運(yùn)動(dòng)行為的影響，其架構(gòu)如圖2所示。

圖2 D2-TPred 模型的架構(gòu)

3.1問(wèn)題表述

給定每個(gè)場(chǎng)景中個(gè)代理的空間坐標(biāo)和交通燈狀態(tài)，我們的目標(biāo)是預(yù)測(cè)這些代理在未來(lái)最可能的軌跡。在任何時(shí)間，第個(gè)智能體在時(shí)間的狀態(tài)可以表示為，其中表示位置坐標(biāo)，其他符號(hào)表示相應(yīng)的交通燈信息，在3.3節(jié)中有更詳細(xì)的描述。根據(jù)時(shí)間區(qū)間中所有智能體的輸入，我們的方法可以預(yù)測(cè)它們?cè)谙乱欢螘r(shí)間內(nèi)的位置。不同于地面真實(shí)軌跡，表示預(yù)測(cè)軌跡。

3.2時(shí)空依賴

空間動(dòng)態(tài)交互圖：與先前的方法[23,29]不同，我們重建子圖以對(duì)每個(gè)幀中的所有交互進(jìn)行建模。我們通過(guò)對(duì)圖3中具有7輛車的場(chǎng)景來(lái)說(shuō)明我們對(duì)不連續(xù)依賴建模的方法。與[19]類似，考慮到人類視覺(jué)系統(tǒng)的特點(diǎn)，車輛的可視區(qū)域被視為截錐體，并在道路和交叉路口之間設(shè)置不同的視覺(jué)范圍。在時(shí)間，、和位于鄰域的可視區(qū)域中。然而，因?yàn)?/span>在相反的車道上移動(dòng)，的運(yùn)動(dòng)行為不受的影響。因此，我們構(gòu)建對(duì)應(yīng)于車輛、和之間交互的子圖，以及車輛和的對(duì)應(yīng)的子圖。此外，對(duì)于沒(méi)有相鄰車輛的和，我們分別構(gòu)建子圖和?；谶@些子圖，更新這些車輛的中間狀態(tài)。由于車輛之間的相互作用是動(dòng)態(tài)變化的，車輛在時(shí)間不受車輛的影響。即使它們?cè)谟删嚯x確定的相同交互區(qū)域內(nèi)，車輛對(duì)車輛影響在相鄰幀之間也不相同。以這種方式，我們重建相應(yīng)的子圖、來(lái)表示車輛之間的這些不同的交互。

圖3 空間動(dòng)態(tài)交互圖(SDG)

考慮到代理之間交互的不對(duì)稱性，我們?cè)谶@些構(gòu)建的有向圖中使用自注意機(jī)制來(lái)模擬空間交互。對(duì)于時(shí)間的智能體，我們首先根據(jù)視覺(jué)范圍、距離和車道索引以及相應(yīng)的矩陣、和分別確定其交互對(duì)象。

其中填充0和1表示代理之間的鄰接矩陣，我們進(jìn)一步構(gòu)建基于它的子圖。然后我們通過(guò)整合來(lái)自交互對(duì)象的隱藏狀態(tài)來(lái)計(jì)算空間狀態(tài)。

其中是嵌入函數(shù)，是智能體在時(shí)間的狀態(tài)向量。與方法[14]類似，表示代理在時(shí)間戳對(duì)的注意力系數(shù)，和是嵌入矩陣和LSTM單元權(quán)重。

圖4 行為依賴圖(BDG)

行為依賴圖：為了避免在信息傳遞過(guò)程中關(guān)鍵行為特征可能被RNN網(wǎng)絡(luò)的遺忘門過(guò)濾，我們使用GAT來(lái)模擬從先前行為到當(dāng)前狀態(tài)的不連續(xù)依賴性，而不僅僅是只使用相鄰的時(shí)間戳內(nèi)的信息。具體來(lái)說(shuō)，對(duì)于給定的車輛，其由SDG更新的狀態(tài)被視為節(jié)點(diǎn)。我們將時(shí)間序列中的不連續(xù)依賴建模為邊，并構(gòu)建有向圖，其中行為信息沿著有向邊傳輸。圖4顯示了給定代理的BDG的詳細(xì)架構(gòu)。

具體來(lái)說(shuō)，對(duì)于智能體，我們使用相同顏色的有向線段構(gòu)成展開的BDG，不同顏色代表不同時(shí)間實(shí)例的行為依賴圖。BDG使用SDG生成的狀態(tài) 。它的當(dāng)前狀態(tài)被更新并嵌入到下一個(gè)時(shí)間實(shí)例的行為依賴圖中，其中節(jié)點(diǎn)之間的依賴權(quán)重是通過(guò)使用自注意力機(jī)制計(jì)算的。如圖4的虛線框所示，代理在當(dāng)前時(shí)刻的運(yùn)動(dòng)狀態(tài)由之前在時(shí)間、、、、和的行為控制等，而下一個(gè)時(shí)間的運(yùn)動(dòng)狀態(tài)由、、、、和控制。這樣，代理的隱藏狀態(tài) 在時(shí)間更新計(jì)算如下：

其中表示時(shí)間窗口長(zhǎng)度。是單層前饋神經(jīng)網(wǎng)絡(luò)的權(quán)重向量。表示從到的先前幀中的具體時(shí)間實(shí)例。

3.3交通燈附近的軌跡預(yù)測(cè)

在本節(jié)中，我們提出了兩種用于車輛軌跡預(yù)測(cè)的方案。第一種方案考慮了由交通燈狀態(tài)交替引起的對(duì)車輛行為的不連續(xù)約束，其中交通燈被視為具有固定位置和交替狀態(tài)的指示信號(hào)。第二種方案是針對(duì)沒(méi)有紅綠燈的場(chǎng)景設(shè)計(jì)的。

給定觀測(cè)序列： ，其可以劃分為車輛軌跡和相應(yīng)的交通信號(hào)燈狀態(tài)序列兩部分。Fid、Aid、Lid分別是frame、vehicle以及車輛所在車道的索引。是交通燈索引。 描述車輛是否在相應(yīng)紅綠燈的影響范圍內(nèi)。表示車輛是否最接近影響區(qū)域內(nèi)的停車線。表示一個(gè)代理的行為，例如左轉(zhuǎn)、右轉(zhuǎn)或直行。和分別描述了紅綠燈的狀態(tài)和持續(xù)時(shí)間。我們考慮到車輛軌跡是連續(xù)的，交通燈狀態(tài)序列是周期性的和不連續(xù)的。因此，使用LSTM和MLP這兩種不同的編碼器來(lái)處理它們并分別計(jì)算相應(yīng)的隱藏狀態(tài)和。在SDG中，我們使用GAT來(lái)整合來(lái)自附近交互代理的影響特征，然后計(jì)算代理的更新狀態(tài)。在行為依賴方面，我們首先將狀態(tài) (Eq.4)和交通燈狀態(tài)連接起來(lái)作為輸入，然后使用這些結(jié)果來(lái)構(gòu)造BDG?；贐DG，我們可以針對(duì)交通信號(hào)燈對(duì)車輛運(yùn)動(dòng)行為的不連續(xù)約束進(jìn)行建模，如圖4所示。在此階段，隱藏狀態(tài)被計(jì)算為的加權(quán)和，其中依賴權(quán)重是通過(guò)自注意機(jī)制計(jì)算的。公式如下：

其中是串聯(lián)操作。和是嵌入權(quán)重。為了增強(qiáng)行為特征并避免序列過(guò)程中被遺忘門過(guò)濾的特征損失，通過(guò)整合狀態(tài)和原始狀態(tài)來(lái)生成中間狀態(tài)。預(yù)測(cè)的車輛位置由下式給出：

其中和分別是基于LSTM的解碼器和相應(yīng)的權(quán)重。表示線性層。我們的方法也是基于GAN的模型，將鑒別器集成到預(yù)測(cè)方法中，它利用LSTM和MLP分別對(duì)完整軌跡()和交通燈序列LS進(jìn)行編碼，然后將它們連接起來(lái)作為輸入，判別器通過(guò)線性網(wǎng)絡(luò)輸出真/假概率。

對(duì)于每輛車，我們使用[1]中的多樣性損失計(jì)算位移誤差。該模型預(yù)測(cè)多個(gè)軌跡，并選擇它們與ground-truth軌跡之間距離誤差最小的軌跡作為模型輸出。

     4 實(shí)驗(yàn)結(jié)果     

4.1量化評(píng)估

我們?cè)诮煌〝?shù)據(jù)Apolliscape、SDD、INTERACTION、Waymo和VTP-TL上進(jìn)行了詳細(xì)的定量評(píng)估，D2-TPred和其他軌跡預(yù)測(cè)方法的預(yù)測(cè)性能定量結(jié)果如表1和表2所示。

表1 交通數(shù)據(jù)集預(yù)測(cè)性能的量化結(jié)果

表2 VTP-TL數(shù)據(jù)集的定量結(jié)果

沒(méi)有紅綠燈的交通數(shù)據(jù)集：利用SDG和BDG提取時(shí)空特征，我們的方法在表1所示的數(shù)據(jù)集中取得了有競(jìng)爭(zhēng)力的性能。具體來(lái)說(shuō)，我們的方法的性能明顯優(yōu)于Apolloscape上的方法。在具有大量不同場(chǎng)景的SDD數(shù)據(jù)集中，我們得到了最小的ADE誤差和第三的FDE的誤差，以及INTER數(shù)據(jù)集下的最小FDE誤差。此外，我們還通過(guò)8幀歷史數(shù)據(jù)來(lái)預(yù)測(cè)接下來(lái)的12幀中的車輛軌跡，并在Waymo Open Motion數(shù)據(jù)集上實(shí)現(xiàn)了最佳性能。這些表明我們的模型可以有效地捕獲復(fù)雜交通場(chǎng)景中動(dòng)態(tài)變化的交互特征和行為依賴。

帶交通燈的VTP-TL數(shù)據(jù)集：在本節(jié)中，我們將介紹D2TPred+TL，它將交通燈狀態(tài)引入D2-TPred方法。在表2中，我們?cè)u(píng)估了我們的模型并和一些方法進(jìn)行了比較，并且這些方法都針對(duì)交通信號(hào)燈進(jìn)行了改進(jìn)和了評(píng)估。實(shí)驗(yàn)結(jié)果表明，我們的方法在VTP-TL數(shù)據(jù)集上，ADE和FDE指標(biāo)優(yōu)于的所有其他方法。值得注意的是，與預(yù)測(cè)誤差最低的STGAT相比，D2-TPred+TL的ADE和FDE指標(biāo)分別降低了20.45%和20.78%。這說(shuō)明我們可以有效地模擬交通燈對(duì)運(yùn)動(dòng)行為的約束。

4.2消融實(shí)驗(yàn)

我們進(jìn)行了帶有紅綠燈的VTP-TL的消融研究。這不僅展示了每個(gè)組件的重要性，而且突出了對(duì)交通燈引起車輛運(yùn)動(dòng)行為不連續(xù)性進(jìn)行建模的好處。

表3.VTP-TL數(shù)據(jù)集的消融結(jié)果

SDG和BDG的評(píng)估：為了顯示SDG和BDG的有效性，我們?cè)诒?中比較了，和。中ADE分別降低13.93%和15.85%，F(xiàn)DE分別降低17.34%和22.46%。這直接說(shuō)明SDG和BDG可以有效捕捉時(shí)空的不連續(xù)依賴性，進(jìn)一步提高預(yù)測(cè)軌跡的準(zhǔn)確性。

判別器的評(píng)估： 我們引入了一個(gè)判別器來(lái)改進(jìn)預(yù)測(cè)軌跡。通過(guò)比較表3中的和，后者在ADE和FDE中的性能分別提高了9.26%和12.74%。此外，鑒別器有助于提高預(yù)測(cè)軌跡的準(zhǔn)確性。

不同編碼器的評(píng)估：由于交通燈狀態(tài)的鮮明特征，我們使用MLP和LSTM對(duì)其進(jìn)行編碼。通過(guò)比較表3中的和，利用MLP捕獲交通燈狀態(tài)的特征可以在ADE和FDE上分別進(jìn)一步提高5.56%和8.17%。這說(shuō)明不連續(xù)的序列可能不適合由具有強(qiáng)上下文相關(guān)性的LSTM進(jìn)行編碼。

交通燈功能評(píng)估：對(duì)于交通燈，我們將methods+TL與相應(yīng)的baseline方法進(jìn)行比較。前者直接使用VTP-TL數(shù)據(jù)集，后者使用從VTP-TL數(shù)據(jù)集拆分出來(lái)的由、、、屬性組成的數(shù)據(jù)集。如表2所示，它可以進(jìn)一步將ADE和FDE的性能分別提高8.02%至24.87%和3.38%至30.29%。因此，我們可以清楚地驗(yàn)證紅綠燈在城市交叉口軌跡預(yù)測(cè)中的必要性

4.3 定性評(píng)價(jià)

在圖5中，前兩列的圖像顯示了來(lái)自Argoverse和Apolloscape的定性結(jié)果?？梢钥闯?，我們的方法在沒(méi)有紅綠燈的情況下也可以在城市十字路口預(yù)測(cè)出可接受的未來(lái)路徑。

在第三列中，我們展示了VTP-TL數(shù)據(jù)集的定性結(jié)果。對(duì)于第一行，道路上的當(dāng)前交通燈狀態(tài)為紅色。我們只展示了五輛車的軌跡，其中車輛直行，在紅燈下右轉(zhuǎn)，在綠燈下直行，和不在紅綠燈信號(hào)的影響范圍內(nèi)。對(duì)于，我們方法的預(yù)測(cè)軌跡最接近地面實(shí)況。雖然、、和的軌跡不受交通燈信號(hào)的影響，但我們的方法也可以預(yù)測(cè)可接受的軌跡。接下來(lái)的兩個(gè)圖像顯示了丁字路口和環(huán)島路口的預(yù)測(cè)軌跡，在交通燈狀態(tài)從紅色變?yōu)榫G色的情況下，位于前者的車輛狀態(tài)正在從停車變?yōu)樾旭?。這說(shuō)明我們的模型可以靈活地響應(yīng)周圍代理和交通燈狀態(tài)的動(dòng)態(tài)變化。

圖5 在交通數(shù)據(jù)集和VTP-TL數(shù)據(jù)集上的城市交叉口可視化結(jié)果。請(qǐng)注意，所比較的方法在不同的數(shù)據(jù)集中并不相同

     5 結(jié)論    

我們提出了D2-TPred，這是一種考慮交通信號(hào)燈的軌跡預(yù)測(cè)方法。該方法不僅可以通過(guò)為具有不斷變化的交互對(duì)象(SDG)的所有代理重建子圖來(lái)對(duì)動(dòng)態(tài)交互進(jìn)行建模，而且還可以通過(guò)建模先前實(shí)例中行為的直接影響來(lái)捕捉不連續(xù)的行為依賴性（BDG）。此外，還發(fā)布了用于車輛軌跡預(yù)測(cè)的交通信號(hào)燈VTP-TL數(shù)據(jù)集?；诖?，我們描述了兩種軌跡預(yù)測(cè)方案，并且與其他最先進(jìn)的技術(shù)相比獲得了有競(jìng)爭(zhēng)力的性能。

參考文獻(xiàn)