蘑菇車聯(lián)論文入選IEEE 軌跡預(yù)測模型可提高軌跡預(yù)測的泛化能力

近日，蘑菇車聯(lián)提交的軌跡預(yù)測論文被IEEE Transactions on Intelligent Vehicles（IEEE TIV）正式錄用。這是蘑菇車聯(lián)軌跡預(yù)測算法今年第二次獲得頂級學(xué)術(shù)期刊IEEE認(rèn)可。 IEEE TIV是全世界第一份智能車專業(yè)學(xué)術(shù)期刊，目前已躋身《期刊引用報(bào)告》（Journal Citation Reports, JCR）Q1區(qū)，2023年，該期刊位列IEEE所有期刊第六位。與此同時(shí)，IEEE TIV 在控制與優(yōu)化領(lǐng)域121種期刊中排名第3位；在汽車工程領(lǐng)域115種期刊中排名第6。

【蘑菇車聯(lián)論文入選IEEE】 本次由蘑菇車聯(lián)與復(fù)旦大學(xué)類腦人工智能科學(xué)與技術(shù)研究院共同撰寫的論文提出，軌跡預(yù)測模型Lane Transformer++可以提高軌跡預(yù)測的泛化能力，讓自動駕駛車輛更快適應(yīng)新環(huán)境。

軌跡預(yù)測對自動駕駛車輛以及自行車、行人等交通參與者的安全至關(guān)重要，近年來，許多軌跡預(yù)測模型被提出，但大多數(shù)模型都沒有考慮泛化能力。如果泛化能力不夠，同時(shí)疊加速度、道路結(jié)構(gòu)和交通規(guī)則的差異，就會導(dǎo)致模型偏差及預(yù)測性能下降。這就意味著，一輛自動駕駛汽車能在武漢的街道上安全行駛，到了北京可能就會失去“準(zhǔn)頭”。

在自動駕駛大規(guī)模落地的過程中，自動駕駛車輛不可能進(jìn)入一座新城市就更改一次預(yù)測模型，也因此，軌跡預(yù)測模型的領(lǐng)域泛化成為亟需解決的關(guān)鍵問題。

蘑菇車聯(lián)將領(lǐng)域泛化的難點(diǎn)歸因于兩個(gè)要素：速度和環(huán)境，“Lane Transformer++”的兩個(gè)加號分別代表速度問題和環(huán)境問題。

為了解決速度差異對軌跡預(yù)測模型帶來的影響，蘑菇車聯(lián)基于模型軌跡生成多層感知的速度細(xì)化模塊，用以減輕速度偏差；針對環(huán)境帶來的變量，蘑菇車聯(lián)利用自蒸餾技術(shù)進(jìn)一步提高模型對陌生環(huán)境的適應(yīng)能力。

在Argoverse和INTERACTION數(shù)據(jù)集上的全面評估表明，Lane Transformer++能夠顯著提高預(yù)測性能，特別是在交互數(shù)據(jù)集上，Lane Transformer++性能最為領(lǐng)先。此外，該模型還可以作為大多數(shù)現(xiàn)有軌跡預(yù)測模型的插件，提高軌跡預(yù)測模型的整體泛化能力。

蘑菇車聯(lián)匯聚了自動駕駛領(lǐng)域頂尖的技術(shù)人才，未來將持續(xù)在前沿技術(shù)領(lǐng)域不斷突破，提升技術(shù)核心競爭力，助力自動駕駛技術(shù)規(guī)?；瘧?yīng)用。

審核編輯：彭菁