[论文解读] LAformer: Trajectory Prediction for Autonomous Driving with Lane-Aware Scene Constraints

Mengmeng Liu, Hao Cheng+6 more|arXiv (Cornell University)|Feb 27, 2023

Autonomous Vehicle Technology and Safety被引用 6

一句话总结

LAformer 提出了一种用于自动驾驶的两阶段轨迹预测框架，通过一个时间密集的车道感知模块，在每个未来时间步动态选择最相关的 k 个车道段，使运动动态与场景约束保持一致。它进一步通过第二阶段的运动细化模块提升预测精度，在 Argoverse 1 和 nuScenes 基准上实现了最先进性能，Argoverse 1 上的 ADE₆ 为 0.64，FDE₆ 为 0.92。

ABSTRACT

Trajectory prediction for autonomous driving must continuously reason the motion stochasticity of road agents and comply with scene constraints. Existing methods typically rely on one-stage trajectory prediction models, which condition future trajectories on observed trajectories combined with fused scene information. However, they often struggle with complex scene constraints, such as those encountered at intersections. To this end, we present a novel method, called LAformer. It uses a temporally dense lane-aware estimation module to select only the top highly potential lane segments in an HD map, which effectively and continuously aligns motion dynamics with scene information, reducing the representation requirements for the subsequent attention-based decoder by filtering out irrelevant lane segments. Additionally, unlike one-stage prediction models, LAformer utilizes predictions from the first stage as anchor trajectories and adds a second-stage motion refinement module to further explore temporal consistency across the complete time horizon. Extensive experiments on Argoverse 1 and nuScenes demonstrate that LAformer achieves excellent performance for multimodal trajectory prediction.

研究动机与目标

• 为解决在复杂场景（如交叉路口）中现有单阶段模型难以保持运动动态与高清地图约束一致的问题，从而导致轨迹预测不准确。
• 通过一种动态的时间感知车道选择机制，过滤无关的车道段，减轻解码器的表征负担。
• 通过引入第二阶段的运动细化模块，提升长时程预测的时间一致性。
• 通过利用矢量化高清地图与基于注意力的特征学习，实现更准确且符合场景的多模态轨迹预测。

提出的方法

• 全局交互图（GIG）编码器处理统一的矢量化轨迹与高清地图数据，以提取联合的空间-时间特征。
• 一个二分类器基于 GIG 编码的特征与目标运动状态（速度、朝向）进行训练，估算每个车道段在每个时间步与运动动态对齐的可能性。
• 每个时间步选择最可能的 k 个车道段，以作为后续基于注意力的解码器的条件输入，从而减少无关地图噪声的影响。
• 拉普拉斯混合密度网络（MDN）仅基于选定的车道段生成多模态轨迹预测。
• 第二阶段的运动细化模块将观测轨迹与第一阶段的预测轨迹作为输入，以优化预测结果并减少时间偏移。
• 模型采用端到端训练，损失函数包含两部分：用于车道选择的分类损失，以及用于轨迹生成的预测损失。

实验结果

研究问题

• RQ1 时间密集的车道感知选择机制是否能通过持续将运动动态与场景约束对齐，从而提升轨迹预测的准确性？
• RQ2 通过两阶段框架将车道选择与轨迹预测解耦，是否能增强长时程预测的时间一致性？
• RQ3 过滤无关车道段在多大程度上提升了编码器的表征效率与预测质量？
• RQ4 与单阶段基线相比，第二阶段的运动细化模块在多大程度上减少了预测误差？

主要发现

• LAformer 在 Argoverse 1 基准上实现了 0.64 ADE₆ 和 0.92 FDE₆ 的性能，优于先前的最先进模型。
• 在 nuScenes 上，LAformer 实现了 0.65 ADE₆ 和 0.95 FDE₆ 的表现，展现出在多样化交通场景下的强大泛化能力。
• 消融实验表明，若移除时间密集的车道感知模块，预测多样性与准确性均显著下降，尤其在转弯与加速场景中更为明显。
• 第二阶段的细化模块显著提升了预测质量，完整模型在定量与定性评估中均优于消融变体。
• 该模型在不同超参数设置下保持鲁棒性，不同损失权重设置下的性能波动极小。
• LAformer 的推理速度约为每场景 115ms（含 12 个智能体），与 LTP 相当，且快于 DenseTNT，适用于近实时部署。