[论文解读] BANet: Motion Forecasting with Boundary Aware Network

Chen Zhang, Sun Hong-lin+2 more|arXiv (Cornell University)|Jun 16, 2022

Traffic Prediction and Management Techniques被引用 6

一句话总结

BANet 是一种运动预测模型，通过显式编码车道边界、车道中心线和参与者特征，并结合边界感知融合机制，提升轨迹预测性能。其在 2022 年 Argoverse2 运动预测挑战赛中取得最先进性能，minFDE 为 1.3888（K=6），brier-minFDE 为 2.033。

ABSTRACT

We propose a motion forecasting model called BANet, which means Boundary-Aware Network, and it is a variant of LaneGCN. We believe that it is not enough to use only the lane centerline as input to obtain the embedding features of the vector map nodes. The lane centerline can only provide the topology of the lanes, and other elements of the vector map also contain rich information. For example, the lane boundary can provide traffic rule constraint information such as whether it is possible to change lanes which is very important. Therefore, we achieved better performance by encoding more vector map elements in the motion forecasting model.We report our results on the 2022 Argoverse2 Motion Forecasting challenge and rank 1st on the test leaderboard.

研究动机与目标

• 通过在车道中心线之外引入车道边界信息，提升运动预测性能。
• 通过边界感知特征显式建模交通规则约束（如变道可行性）。
• 通过可学习注意力机制增强参与者与矢量地图特征之间的融合。
• 在 Argoverse2 基准上实现最先进性能。

提出的方法

• 使用三分支编码器网络，分别从参与者历史轨迹（坐标、朝向、速度）、车道中心线和车道边界中提取特征。
• 在车道中心线的图卷积层中应用可学习权重，针对不同邻接类型更好地建模拓扑影响。
• 采用多阶段融合网络，结合距离注意力模块，将边界特征融合至车道中心线和参与者中，并支持跨参与者特征交互。
• 将轨迹预测分解为两个阶段：首先回归目标点，然后利用目标点和参与者特征解码完整轨迹。
• 采用两阶段训练策略：首先训练包含置信度和目标点回归损失，随后加入轨迹回归损失。
• 通过 k-means 聚类对 42 条预测轨迹进行集成学习，结合置信度与 brier-minFDE 加权采样，以优化最终输出。

实验结果

研究问题

• RQ1 在仅使用车道中心线的模型之外，引入车道边界信息是否能提升运动预测性能？
• RQ2 通过车道边界显式建模交通规则约束，对预测准确性和鲁棒性有何影响？
• RQ3 在车道图卷积中使用可学习权重是否相比固定邻接权重能提升特征表示能力？
• RQ4 采用目标点回归的两阶段轨迹解码策略是否能提升轨迹生成质量？
• RQ5 结合置信度加权的 k-means 聚类进行集成学习，在多大程度上提升了最终预测性能？

主要发现

• BANet 在 Argoverse2 测试集上取得 minFDE 1.3888（K=6）和 brier-minFDE 2.033 的成绩，在 2022 年 Argoverse2 运动预测挑战赛中排名第一。
• 完整版 BANet 模型优于 BANet(lite)（其省略边界编码），证明了边界感知特征的价值。
• 在车道图卷积中使用可学习权重提升了性能，表明不同邻接关系对节点表征的影响程度不同。
• 通过置信度与 brier-minFDE 加权的 k-means 聚类进行集成学习，进一步将 minFDE 降低至 1.3648（K=6），表明轨迹优化有效。
• 两阶段训练策略（先预测目标点，再加入轨迹回归）带来了更稳定和准确的训练过程。
• BANet 在 Argoverse2 上 K=6 时的漏检率（MR）为 17.97%，表明其在多假设预测中具备强大的泛化能力与鲁棒性。