Metoda przewidywania trajektorii pojazdów bez map oparta na grafach heterogenicznych i dynamicznych ograniczeniach sceny

Dlaczego ważne jest przewidywanie ruchu samochodów bez map

W miarę jak samochody autonomiczne wkraczają w codzienność, muszą bezpiecznie przewidywać, dokąd zmierzają pobliskie pojazdy w ciągu następnych kilku sekund. Wiele współczesnych systemów opiera się na bardzo szczegółowych mapach cyfrowych, które kierują tymi przewidywaniami. Jednak takie mapy są kosztowne w przygotowaniu, trudne do utrzymania na bieżąco i często nieobecne w tunelach, na drogach wiejskich czy w szybko zmieniających się ulicach miejskich. W tym badaniu autorzy analizują, jak systemy autonomiczne mogą mimo to tworzyć wiarygodne krótkoterminowe prognozy dotyczące otaczających samochodów, korzystając wyłącznie z obserwowanego ruchu na drodze, bez polegania na wcześniej przygotowanych mapach.

Odczytywanie drogi z zachowań kierowców

Autorzy wychodzą z prostego założenia: kształt drogi ukryty jest w tym, jak po niej jeżdżą ludzie. Jeśli obserwujesz wiele samochodów przejeżdżających przez to samo miejsce, ich ścieżki ujawniają pasy, skręty i typowe przepływy, nawet jeśli nigdy nie widzisz namalowanej linii. Metoda zespołu, nazwana DynaScene-Pred, zbiera krótkie fragmenty niedawnego ruchu wszystkich pojazdów w polu widzenia. Następnie grupuje podobne trajektorie, na przykład samochody jadące na wprost lub skręcające w lewo, i z tych grup wyprowadza gładkie „wirtualne pasy”, które odtwarzają prawdopodobne trasy przez scenę. Te wirtualne pasy pełnią rolę wewnętrznego szkicu drogi, budowanego dynamicznie z danych zamiast z zapisanej mapy.

Łączenie pojazdów i wirtualnych pasów

Gdy wirtualne pasy zostaną utworzone, model traktuje każdy samochód i każdy pas jako węzły w sieci i łączy je krawędziami opisującymi ich relacje. Sąsiadujące pojazdy są połączone, by pokazać, kto może na kogo oddziaływać, a każdy pojazd jest także powiązany z wirtualnymi pasami, które najlepiej odpowiadają jego niedawnej trajektorii i kierunkowi. Specjalny rodzaj sieci neuronowej działającej na takich sieciach węzłów i krawędzi przekazuje informacje wzdłuż tych połączeń. Jednocześnie moduły uwagi (attention) decydują, które sąsiedztwa, które pasy i które poprzednie momenty są najistotniejsze. Razem te kroki pozwalają systemowi wnioskować zarówno o zachowaniach społecznych, takich jak reagowanie pojazdów na siebie nawzajem, jak i o ograniczeniach fizycznych, na przykład pozostaniu w granicach łuku drogi.

Wyobrażanie kilku możliwych przyszłości

Jazda wiąże się z niepewnością: pojazd może jechać prosto, zmienić pas lub skręcić, nawet jeśli jego wcześniejszy ruch wygląda podobnie. Aby sobie z tym poradzić, DynaScene-Pred nie zwraca jedynie jednej przyszłej ścieżki, lecz kilka. Wewnątrz modelu zwarty ukryty kod reprezentuje różne intencje kierowców. Podczas treningu kod ten jest stroiony tak, by jego warianty odpowiadały rzeczywistym zachowaniom kierowców w wielu zarejestrowanych scenach. Przy przewidywaniu system próbuje kilku wersji tego kodu i dla każdej generuje możliwą przyszłą trajektorię, która nadal szanuje wirtualne pasy i otaczający ruch. To prowadzi do niewielkiego zestawu realistycznych opcji zamiast jednej kruchej prognozy.

Testy na rzeczywistym ruchu miejskim

Naukowcy testują swoje podejście na Argoverse, dobrze znanym publicznym zbiorze danych z rzeczywistej jazdy miejskiej w miastach USA. W przeciwieństwie do wielu konkurencyjnych metod, celowo ignorują bogate, wbudowane mapy i używają wyłącznie pozycji pojazdów w czasie. Porównują swoje wyniki z kilkoma innymi systemami „bez map”, jak i z wiodącymi metodami korzystającymi z map. W kluczowych miarach błędu średniego i końcowego położenia oraz częstości, z jaką wszystkie przewidywane trajektorie mijają się z rzeczywistym rezultatem, ich system konsekwentnie przewyższa inne metody bezmapowe. Choć nie dorównuje jeszcze dokładnością najsilniejszym modelom opartym na mapach, jest dostatecznie blisko, by pokazać, że wyuczone wirtualne pasy mogą zastąpić kosztowne mapy w wielu sytuacjach, przy zachowaniu szybkości przetwarzania wystarczającej do pracy w czasie rzeczywistym w samochodzie.

Co to oznacza dla przyszłych samochodów autonomicznych

Dla czytelnika niebędącego specjalistą główny wniosek jest taki, że samochody autonomiczne nie zawsze będą potrzebować bardzo szczegółowych map, by zachowywać się bezpiecznie i rozsądnie. Obserwując sposób poruszania się kierowców, DynaScene-Pred odbudowuje wewnętrzny obraz drogi i używa go do prognozowania kilku prawdopodobnych trajektorii dla każdego pobliskiego pojazdu. Ta strategia bezmapowa przewyższa wcześniejsze podejścia, które opierały się wyłącznie na surowym ruchu bez jakiejkolwiek koncepcji pasów. Oferuje bardziej elastyczny sposób radzenia sobie z drogami, które często się zmieniają lub są słabo zmapowane, przybliżając autonomiczną jazdę do niezawodnego działania w złożonych, zmiennych warunkach rzeczywistego świata.

Cytowanie: 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

Słowa kluczowe: autonomiczna jazda, predykcja trajektorii, bez map, wirtualne pasy, interakcje w ruchu