Kaartvrije methode voor het voorspellen van voertuigtrajecten op basis van heterogene grafen en dynamische scene-beperkingen

Waarom het belangrijk is om autobewegingen zonder kaarten te voorspellen

Naarmate autonome auto’s dichter bij alledaags gebruik komen, moeten ze veilig kunnen inschatten waar nabije voertuigen in de komende seconden naartoe gaan. Veel hedendaagse systemen vertrouwen op zeer gedetailleerde digitale kaarten om die inschattingen te sturen. Zulke kaarten zijn echter duur om te maken, moeilijk actueel te houden en vaak afwezig in tunnels, landelijke wegen of snel veranderende stadsstraten. Deze studie onderzoekt hoe zelfrijdende systemen nog steeds betrouwbare kortetermijnvoorspellingen kunnen doen over omliggende auto’s met alleen wat ze op de weg waarnemen, zonder afhankelijkheid van vooraf gemaakte kaarten.

De weg aflezen uit hoe bestuurders zich bewegen

De auteurs vertrekken van een eenvoudig idee: de vorm van de weg zit verborgen in hoe mensen erop rijden. Als je veel auto’s ziet passeren op dezelfde plek, onthullen hun paden de rijstroken, bochten en gebruikelijke stroomrichtingen, zelfs als je nooit een geschilderde lijn ziet. De methode van het team, DynaScene-Pred genoemd, verzamelt korte fragmenten van recente bewegingen van alle voertuigen in beeld. Daarna groepeert het paden die op elkaar lijken, zoals auto’s die rechtdoor gaan of linksaf slaan, en tekenen uit deze groepen vloeiende “virtuele rijstroken” die de waarschijnlijke routes door de scène volgen. Deze virtuele rijstroken fungeren als een intern schets van de weg, ter plekke opgebouwd uit data in plaats van uit een opgeslagen kaart.

Voertuigen en virtuele rijstroken met elkaar verbinden

Zodra de virtuele rijstroken zijn vastgesteld, behandelt het model elk voertuig en elke rijstrook als knooppunten in een netwerk en verbindt ze met lijnen die hun relatie beschrijven. Nabije auto’s worden gekoppeld om te laten zien wie wie kan beïnvloeden, en elk voertuig wordt ook gekoppeld aan de virtuele rijstroken die het beste passen bij zijn recente pad en richting. Een type neuraal netwerk dat werkt op zulke netwerken van knooppunten en verbindingen geeft vervolgens informatie door langs deze links. Tegelijk beslissen attention-modules welke buren, welke rijstroken en welke eerdere momenten het belangrijkst zijn. Samen laten deze stappen het systeem redeneren over zowel sociaal gedrag, zoals auto's die op elkaar reageren, als fysieke beperkingen, zoals binnen een bocht blijven.

Meerdere mogelijke toekomsten voorstellen

Rijden is onzeker: een auto kan rechtdoor blijven rijden, van rijstrook veranderen of afslaan, zelfs als zijn vorige bewegingen hetzelfde lijken. Om hiermee om te gaan geeft DynaScene-Pred niet slechts één toekomstpad, maar meerdere. Binnen het model vertegenwoordigt een compacte verborgen code verschillende rij-intenties. Tijdens training wordt deze code afgestemd zodat zijn variaties overeenkomen met hoe bestuurders zich daadwerkelijk gedragen in veel opgenomen scènes. Bij het doen van een voorspelling bemonstert het systeem een paar versies van deze code en rolt voor elk ervan een mogelijk toekomstpad uit dat nog steeds rekening houdt met de virtuele rijstroken en het omliggende verkeer. Dit leidt tot een kleine set realistische opties in plaats van één kwetsbare gok.

Getest op echt stadsverkeer

De onderzoekers testen hun aanpak op Argoverse, een bekend openbaar dataset van echt stedelijk verkeer in Amerikaanse steden. In tegenstelling tot veel concurrerende methoden negeren ze bewust de rijke ingebouwde kaarten en gebruiken alleen voertuigposities over tijd. Ze vergelijken hun resultaten met verschillende andere “kaartvrije” systemen en met toonaangevende methoden die wel kaarten gebruiken. Op sleutelmaatstaven zoals gemiddelde en uiteindelijke positiefout, en hoe vaak alle voorspelde paden de werkelijke uitkomst missen, presteert hun systeem consequent beter dan andere kaartvrije referentiemodellen. Hoewel het de absolute nauwkeurigheid van de sterkste kaartgebaseerde modellen niet helemaal haalt, komt het dicht genoeg in de buurt om te laten zien dat geleerde virtuele rijstroken in veel situaties kunnen dienen als vervanging voor dure kaarten, en dat alles snel genoeg blijft voor realtime gebruik in een auto.

Wat dit betekent voor toekomstige zelfrijdende auto’s

Voor een niet-specialist is de belangrijkste conclusie dat zelfrijdende auto’s mogelijk niet altijd gedetailleerde kaarten nodig hebben om veilig en verstandig te gedragen. Door te observeren hoe bestuurders zich bewegen, bouwt DynaScene-Pred een intern beeld van de weg op en gebruikt dat om meerdere plausibele paden voor elk nabij voertuig te voorspellen. Deze kaartvrije strategie is beter dan eerdere benaderingen die alleen op ruwe bewegingen leunden zonder enig begrip van rijstroken. Het biedt een flexibelere manier om om te gaan met wegen die vaak veranderen of slecht in kaart zijn gebracht, en brengt autonoom rijden een stap dichter bij betrouwbare werking in de rommelige, gevarieerde omstandigheden van de echte wereld.

Bronvermelding: 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

Trefwoorden: autonoom rijden, trajectvoorspelling, kaartvrij, virtuele rijstroken, verkeersinteracties