שיטת חיזוי מסלולי כלי רכב ללא מפה מבוססת גרפים הטרוגניים ומגבלות סצנה דינמיות

למה חיזוי תנועת רכבים ללא מפות חשוב

ככל שהרכבים האוטונומיים מתקרבים למציאות יומיומית, הם צריכים לנחש בבטחה לאן כלי הרכב הסמוכים ינועו בשניות הקרובות. מערכות רבות כיום מסתמכות על מפות דיגיטליות מפורטות כדי לכוון את הניחושים האלה. אך מפות כאלה יקרות לבנייה, קשות לעדכון ולעתים נעדרות במנהרות, בכבישים כפריים או ברחובות עירוניים שמשתנים במהירות. המחקר בוחן כיצד מערכות נהיגה עצמית יכולות עדיין לבצע חיזויים קצרי-טווח אמינים לגבי רכבים בסביבה בעזרת מה שהן רואות בכביש בלבד, בלי להסתמך על מפות מוכנות מראש.

לקרוא את הדרך מתוך אופן הנהיגה

המחברים מתחילים מרעיון פשוט: צורת הכביש חבויה באופן שבו הנהגים נוהגים עליו. אם צופים בהרבה רכבים חולפים באותו מקום, הנתיבים שלהם חושפים את הנתיבים, הפניות וזרמי התנועה הטיפוסיים, אפילו אם מעולם לא ראית קו צבוע. השיטה של הצוות, הקרויה DynaScene-Pred, אוספת קטעי תנועה קצרים אחרונים של כל כלי הרכב הנראים. לאחר מכן היא מקבצת מסלולים שנראים דומים, כגון רכבים שנעים ישר או פונים שמאלה, ומשרטטת מתוך הקבוצות הללו "נתיבי-על" חלקים שעוקבים אחרי הנתיבים הסבירים בסצנה. נתיבי-העל האלה פועלים כסקיצה פנימית של הכביש, בנויה בזמן אמת מתוך נתונים במקום ממפה שמורה.

קישור בין כלי רכב לנתיבי-על

ברגע שנתיבי-העל מועלים, המודל מתייחס לכל רכב ולכל נתיב כנקודות ברשת וקושר ביניהן קווים שמתארים את הקשר ביניהם. רכבים סמוכים מקושרים כדי להראות מי עשוי להשפיע על מי, ולכל רכב יש גם חיבור לנתיבי-העל שהכי מתאימים למסלולו וכיוון תנועתו האחרונים. סוג של רשת עצבית שעובדת על רשתות של נקודות וקווים מעבירה מידע לאורך קישורים אלה. במקביל, מודולים של תשומת לב מחליטים אילו שכנים, אילו נתיבים ואילו רגעים מהעבר חשובים ביותר. יחד, שלבים אלה מאפשרים למערכת להסיק גם על התנהגות חברתית — לדוגמה רכבים שמגיבים זה לזה — וגם על מגבלות פיזיקליות, כמו להישאר בתוך עיקום הכביש.

להעלות מספר עתידים אפשריים

נהיגה היא מלאת אי־ודאות: רכב יכול להמשיך ישר, לשנות נתיב או לפנות, גם אם תנועתו בעבר נראית דומה. כדי להתמודד עם זה, DynaScene-Pred לא מייצרת רק מסלול עתידי יחיד, אלא מספר מסלולים. בתוך המודל, קוד חבוי קומפקטי מייצג כוונות נהיגה שונות. במהלך האימון, הקוד הזה מכויל כך שהשינויים בו יתאמו להתנהגויות נהיגה אמיתיות בסצנות מוקלטות רבות. בעת החיזוי, המערכת מדגמנת כמה גרסאות של הקוד הזה ובעבור כל אחת מהן מוציאה מסלול עתידי אפשרי שעדיין מכבד את נתיבי-העל ואת התנועה סביב. זה מוביל לקבוצת אפשרויות מציאותיות קטנה במקום לניחוש יחיד שביר.

בדיקה בתעבורת ערים אמיתית

החוקרים בוחנים את הגישה שלהם על Argoverse, מאגר נתונים ציבורי ידוע של נהיגה עירונית אמיתית בערים בארה״ב. בשונה מהרבה שיטות מתחרות, הם במודע מתעלמים מהמפות המובנות העשירות ומשתמשים רק במיקום כלי הרכב לאורך זמן. הם משווים את התוצאות שלהם עם כמה מערכות "ללא מפה" אחרות וכן עם שיטות מובילות שכן משתמשות במפות. במדדים מרכזיים של טעות ממוצעת וסופית בעמדה, ובתדירות שבה כל המסלולים החזויים מפספסים את התוצאה האמיתית, המערכת שלהם מנצחת בעקביות בסיסים אחרים ללא מפה. למרות שהיא לא מדויקת לחלוטין כמו חזקות המודלים המבוססי-מפות, היא מתקרבת מספיק כדי להראות שנתיבי-העל הנלמדים יכולים להחליף מפות יקרות במצבים רבים, והכל תוך שמירה על עיבוד מהיר דיו לשימוש בזמן אמת ברכב.

מה זה אומר לרכבים אוטונומיים בעתיד

עבור הקורא הלא־מומחה, המסקנה העיקרית היא שרכבים אוטונומיים לא תמיד יצטרכו מפות מפורטות כדי להתנהג בבטחה ובהגיון. על ידי צפייה בדרך שבה נהגים נעים, DynaScene-Pred בונה תמונה פנימית של הכביש ומשתמש בה כדי לחזות כמה מסלולים סבירים לכל רכב סמוך. אסטרטגיה זו ללא מפה משפרת גישות מוקדמות שהתבססו רק על תנועה גולמית ללא כל מושג של נתיבים. היא מציעה דרך גמישה יותר להתמודד עם כבישים שמשתנים לעתים תכופות או בעלי מיפוי לקוי, ומקרבת את הנהיגה האוטונומית לעבודה אמינה בתנאים המגוונים והבלתי מסודרים של העולם האמיתי.

ציטוט: 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

מילות מפתח: נהיגה אוטונומית, חיזוי מסלולים, ללא מפה, נתיבי-על, אינטראקציות תעבורה