Méthode de prédiction de trajectoire de véhicule sans carte basée sur des graphes hétérogènes et des contraintes de scène dynamiques

Pourquoi il est important de prédire les mouvements des voitures sans cartes

À mesure que les voitures autonomes se rapprochent de la réalité quotidienne, elles doivent deviner en toute sécurité où les véhicules alentours se dirigeront dans les prochaines secondes. Beaucoup de systèmes actuels s’appuient sur des cartes numériques ultra-détaillées pour orienter ces prédictions. Mais ces cartes sont coûteuses à construire, difficiles à maintenir à jour, et souvent absentes dans les tunnels, sur les routes rurales ou dans les rues urbaines en rapide évolution. Cette étude explore comment les systèmes de conduite autonome peuvent quand même faire des prédictions à court terme fiables sur les voitures environnantes en n’utilisant que ce qu’ils observent sur la route, sans dépendre de cartes préétablies.

Lire la route à partir du comportement des conducteurs

Les auteurs partent d’une idée simple : la forme de la route est cachée dans la façon dont les gens y circulent. Si vous observez de nombreux véhicules passant par le même endroit, leurs trajectoires révèlent les voies, les virages et les flux typiques, même si l’on ne voit jamais de marquage au sol. La méthode de l’équipe, appelée DynaScene-Pred, collecte de courts extraits du mouvement récent de tous les véhicules visibles. Elle regroupe ensuite les trajectoires qui se ressemblent, comme les voitures allant tout droit ou tournant à gauche, et à partir de ces groupes trace des « voies virtuelles » lisses qui suivent les itinéraires probables à travers la scène. Ces voies virtuelles agissent comme un croquis interne de la route, construit à la volée à partir des données plutôt que d’une carte stockée.

Relier les véhicules et les voies virtuelles

Une fois les voies virtuelles établies, le modèle considère chaque voiture et chaque voie comme des points dans un réseau et les relie par des arêtes qui décrivent leurs relations. Les véhicules proches sont connectés pour montrer qui peut influencer qui, et chaque voiture est aussi reliée aux voies virtuelles qui correspondent le mieux à sa trajectoire et à sa direction récentes. Un type de réseau neuronal qui fonctionne sur ces réseaux de points et d’arêtes transmet alors l’information le long de ces connexions. En parallèle, des modules d’attention déterminent quels voisins, quelles voies et quels instants passés comptent le plus. Ensemble, ces étapes permettent au système de raisonner à la fois sur le comportement social, comme les réactions des voitures entre elles, et sur les contraintes physiques, comme rester dans un virage.

Imaginer plusieurs futurs possibles

La conduite comporte de l’incertitude : une voiture peut continuer tout droit, changer de voie ou tourner, même si son mouvement passé semble similaire. Pour gérer cela, DynaScene-Pred ne produit pas qu’une seule trajectoire future, mais plusieurs. À l’intérieur du modèle, un code latent compact représente différentes intentions de conduite. Pendant l’entraînement, ce code est ajusté de sorte que ses variations correspondent aux comportements réels observés dans de nombreuses scènes enregistrées. Lors d’une prédiction, le système échantillonne quelques versions de ce code et, pour chacune, déroule une trajectoire future possible qui respecte toujours les voies virtuelles et le trafic environnant. Cela conduit à un petit ensemble d’options réalistes plutôt qu’à une unique estimation fragile.

Tests sur du trafic urbain réel

Les chercheurs testent leur approche sur Argoverse, un jeu de données public bien connu de conduite urbaine réelle dans des villes américaines. Contrairement à de nombreuses méthodes concurrentes, ils ignorent délibérément les riches cartes intégrées et n’utilisent que les positions des véhicules dans le temps. Ils comparent leurs résultats avec plusieurs autres systèmes « sans carte » ainsi qu’avec des méthodes de pointe qui utilisent des cartes. Sur des mesures clés d’erreur moyenne et d’erreur finale de position, et sur la fréquence à laquelle toutes les trajectoires prédites manquent le résultat réel, leur système surpasse constamment les autres références sans carte. Bien qu’il n’égale pas tout à fait la précision absolue des meilleurs modèles basés sur des cartes, il s’en rapproche suffisamment pour montrer que des voies virtuelles apprises peuvent remplacer des cartes coûteuses dans de nombreux cas, tout en gardant un traitement suffisamment rapide pour un usage en temps réel dans un véhicule.

Ce que cela signifie pour les futures voitures autonomes

Pour un non-spécialiste, l’essentiel est que les voitures autonomes n’auront pas toujours besoin de cartes finement détaillées pour se comporter de manière sûre et sensée. En observant la manière dont les conducteurs se déplacent, DynaScene-Pred reconstruit une image interne de la route et l’utilise pour prévoir plusieurs trajectoires plausibles pour chaque véhicule proche. Cette stratégie sans carte s’améliore par rapport aux approches antérieures qui ne se fiaient qu’au mouvement brut sans notion de voies. Elle offre une manière plus flexible de gérer des routes qui changent souvent ou qui sont mal cartographiées, rapprochant la conduite autonome d’un fonctionnement fiable dans les conditions variées et peu ordonnées du monde réel.

Citation: 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

Mots-clés: conduite autonome, prédiction de trajectoire, sans carte, voies virtuelles, interactions de trafic