Kartenfreie Methode zur Vorhersage von Fahrzeugtrajektorien basierend auf heterogenen Graphen und dynamischen Szenenbeschränkungen

Warum es wichtig ist, Fahrzeugbewegungen ohne Karten vorherzusagen

Da autonome Fahrzeuge zunehmend Alltagstauglichkeit erreichen, müssen sie sicher einschätzen, wohin sich nahegelegene Fahrzeuge in den nächsten Sekunden bewegen. Viele heutige Systeme stützen diese Einschätzungen auf extrem detaillierte digitale Karten. Solche Karten sind jedoch teuer in der Erstellung, schwer aktuell zu halten und oft nicht verfügbar in Tunneln, auf Landstraßen oder in sich schnell verändernden Stadtbereichen. Diese Studie untersucht, wie selbstfahrende Systeme trotzdem verlässliche kurzfristige Vorhersagen zu umliegenden Fahrzeugen treffen können, allein basierend auf dem, was sie auf der Straße beobachten, ohne auf vorgefertigte Karten angewiesen zu sein.

Die Straße aus Fahrverhalten lesen

Die Autoren gehen von einer einfachen Idee aus: Die Form der Straße verbirgt sich in der Art, wie Menschen auf ihr fahren. Wenn man vielen Fahrzeugen am gleichen Ort zusieht, offenbaren ihre Fahrspuren die Fahrstreifen, Abbiegevorgänge und typischen Strömungen, selbst wenn keine Fahrbahnmarkierung sichtbar ist. Die Methode des Teams, DynaScene-Pred genannt, sammelt kurze Ausschnitte der jüngsten Bewegungen aller sichtbaren Fahrzeuge. Anschließend gruppiert sie ähnliche Fahrverläufe, etwa geradeaus fahrende oder linksabbiegende Fahrzeuge, und leitet aus diesen Gruppen glatte „virtuelle Fahrspuren“ ab, die die wahrscheinlichen Routen durch die Szene nachzeichnen. Diese virtuellen Fahrspuren fungieren als interne Skizze der Straße, die zur Laufzeit aus Daten statt aus einer gespeicherten Karte entsteht.

Fahrzeuge und virtuelle Fahrspuren verbinden

Sobald die virtuellen Fahrspuren erstellt sind, behandelt das Modell jedes Fahrzeug und jede Fahrspur als Knoten in einem Netzwerk und verbindet sie mit Kanten, die ihre Beziehungen beschreiben. Naheliegende Fahrzeuge werden verbunden, um zu zeigen, wer wen beeinflussen könnte, und jedes Fahrzeug wird außerdem mit den virtuellen Fahrspuren verknüpft, die am besten zu seinem jüngsten Verlauf und seiner Richtung passen. Ein Typ von neuronalen Netzwerken, der auf solchen Knoten-Kanten-Netzwerken arbeitet, leitet dann Informationen entlang dieser Verbindungen weiter. Gleichzeitig entscheiden Aufmerksamkeitsmodule (Attention), welche Nachbarn, welche Fahrspuren und welche vergangenen Momente am wichtigsten sind. Zusammen erlauben diese Schritte dem System, sowohl soziales Verhalten – etwa Fahrzeuge, die aufeinander reagieren – als auch physikalische Beschränkungen – beispielsweise das Einhalten einer Straßenkrümmung – zu berücksichtigen.

Mehrere mögliche Zukünfte vorstellen

Fahren ist unsicher: Ein Fahrzeug könnte weiter geradeaus fahren, die Spur wechseln oder abbiegen, auch wenn sein bisheriges Verhalten ähnlich aussieht. Um damit umzugehen, liefert DynaScene-Pred nicht nur einen einzigen Zukunftspfad, sondern mehrere. Innerhalb des Modells repräsentiert ein kompakter latenter Code verschiedene Fahrabsichten. Während des Trainings wird dieser Code so angepasst, dass seine Variationen mit dem tatsächlichen Verhalten von Fahrern in vielen aufgezeichneten Szenen übereinstimmen. Bei einer Vorhersage sampelt das System einige Versionen dieses Codes und rollt für jede davon einen möglichen Zukunftspfad aus, der weiterhin die virtuellen Fahrspuren und den umgebenden Verkehr respektiert. Das ergibt eine kleine Menge realistischer Optionen statt einer einzelnen, brüchigen Vermutung.

Tests im realen Stadtverkehr

Die Forschenden testen ihren Ansatz an Argoverse, einem bekannten öffentlichen Datensatz mit realem Stadtverkehr aus US-amerikanischen Städten. Im Gegensatz zu vielen konkurrierenden Methoden ignorieren sie bewusst die eingebetteten, detaillierten Karten und verwenden nur Fahrzeugpositionen über die Zeit. Sie vergleichen ihre Ergebnisse mit mehreren anderen kartenfreien Systemen sowie mit führenden Methoden, die Karten nutzen. Bei wichtigen Messgrößen wie durchschnittlichem und finalem Positionsfehler sowie der Häufigkeit, mit der alle vorhergesagten Pfade das tatsächliche Ergebnis verfehlen, liegt ihr System konsequent vor anderen kartenfreien Baselines. Zwar erreicht es nicht ganz die absolute Genauigkeit der stärksten kartenbasierten Modelle, kommt ihnen aber nahe genug, um zu zeigen, dass gelernte virtuelle Fahrspuren in vielen Situationen teure Karten ersetzen können — und das bei ausreichend schneller Verarbeitung für den Echtzeitbetrieb im Fahrzeug.

Was das für zukünftige selbstfahrende Autos bedeutet

Für Nicht-Fachleute lautet die zentrale Botschaft: Selbstfahrende Autos benötigen nicht immer extrem detaillierte Karten, um sicher und vernünftig zu handeln. Indem DynaScene-Pred beobachtet, wie Fahrer sich bewegen, baut es ein internes Bild der Straße nach und nutzt dieses, um mehrere plausible Pfade für jedes nahegelegene Fahrzeug vorherzusagen. Diese kartenfreie Strategie verbessert frühere Ansätze, die sich nur auf rohe Bewegungsdaten ohne Fahrspurvorstellungen stützten. Sie bietet eine flexiblere Möglichkeit, mit häufig wechselnden oder schlecht kartierten Straßen umzugehen, und bringt das autonome Fahren einen Schritt näher daran, in den unordentlichen, vielfältigen Bedingungen der realen Welt zuverlässig zu funktionieren.

Zitation: Liu, H., Bao, Y., Hou, Y. et al. Map-free vehicle trajectory prediction method based on heterogeneous graphs and dynamic scene constraints. Sci Rep 16, 15052 (2026). https://doi.org/10.1038/s41598-026-45445-w

Schlüsselwörter: autonomes Fahren, Trajektorienvorhersage, kartenfrei, virtuelle Fahrspuren, Verkehrsinteraktionen