Метод предсказания траекторий транспортных средств без карт на основе разнородных графов и динамических сценических ограничений

Почему важно предсказывать движение машин без карт

По мере того как автономные автомобили приближаются к повседневной реальности, им нужно надежно предугадывать, куда направляются близлежащие транспортные средства в ближайшие несколько секунд. Многие современные системы опираются на чрезвычайно детализированные цифровые карты для таких предсказаний. Но такие карты дороги в создании, сложно поддерживать их актуальность, и они часто отсутствуют в туннелях, на загородных дорогах или на быстро меняющихся городских улицах. В этом исследовании изучается, как системы автономного вождения могут по-прежнему делать надежные краткосрочные предсказания о движении окружающих машин, используя только то, что видят на дороге, без опоры на заранее подготовленные карты.

Чтение дороги по манере вождения

Авторы исходят из простой идеи: форма дороги скрыта в том, как люди по ней ездят. Если наблюдать множество машин, проезжающих одно и то же место, их траектории выявляют полосы, повороты и типичные потоки, даже если вы никогда не увидите разметки. Метод команды, названный DynaScene-Pred, собирает короткие фрагменты недавнего движения всех транспортных средств в поле зрения. Затем он группирует похожие траектории, например машины, едущие прямо или поворачивающие налево, и на основе этих групп строит плавные «виртуальные полосы», которые отображают вероятные маршруты через сцену. Эти виртуальные полосы выступают внутренним эскизом дороги, построенным на лету из данных вместо хранения в карте.

Связывание автомобилей и виртуальных полос

Когда виртуальные полосы сформированы, модель рассматривает каждую машину и каждую полосу как узлы в сети и соединяет их ребрами, описывающими их взаимосвязь. Близко расположенные машины соединяются, чтобы показать, кто может влиять на кого, а каждая машина также связывается с теми виртуальными полосами, которые лучше всего соответствуют её недавней траектории и направлению. Тип нейронной сети, работающий с такими сетями узлов и связей (графовая нейронная сеть), затем передаёт информацию по этим связям. Одновременно модули внимания решают, какие соседи, какие полосы и какие моменты в прошлом имеют наибольшее значение. Вместе эти шаги позволяют системе учитывать как социальное поведение — например, реакции машин друг на друга, — так и физические ограничения, например сохранение траектории в изгибе дороги.

Воображение нескольких возможных будущих сценариев

Вождение связано с неопределённостью: машина может продолжать ехать прямо, перестроиться или повернуть, даже если её прошлое движение выглядит похоже. Чтобы справиться с этим, DynaScene-Pred не выдаёт одну единственную траекторию, а несколько. Внутри модели компактный скрытый код представляет разные намерения водителя. Во время обучения этот код настраивают так, чтобы его вариации соответствовали реальному поведению водителей в многочисленных записанных сценах. При предсказании система выбирает несколько вариантов этого кода и для каждого из них разворачивает возможную будущую траекторию, которая при этом уважает виртуальные полосы и окружающий трафик. В результате получается небольшой набор реалистичных вариантов, вместо одного хрупкого предположения.

Тестирование на реальном городском трафике

Исследователи протестировали свой подход на Argoverse — известном публичном наборе данных реального городского вождения в городах США. В отличие от многих конкурирующих методов, они сознательно игнорировали богатые встроенные карты и использовали только положения транспортных средств во времени. Они сравнили свои результаты с несколькими другими «безкартовыми» системами, а также с ведущими методами, которые используют карты. По ключевым метрикам средней и конечной ошибки положения, а также по тому, как часто все предсказанные траектории не совпадают с реальным исходом, их система стабильно превосходит другие безкартовые базовые решения. Хотя она и не достигает абсолютной точности лучших картографических моделей, она достаточно близка, чтобы показать, что обучаемые виртуальные полосы могут заменить дорогие карты во многих ситуациях, при этом обеспечивая достаточно быструю обработку для работы в реальном времени в автомобиле.

Что это означает для будущих автономных автомобилей

Для неспециалиста главный вывод таков: автономным автомобилям не всегда требуются детализированные карты, чтобы действовать безопасно и разумно. Наблюдая за тем, как движутся водители, DynaScene-Pred восстанавливает внутреннее представление дороги и использует его для прогнозирования нескольких правдоподобных путей для каждой близлежащей машины. Эта стратегия без карт превосходит ранние подходы, которые опирались только на сырое движение без понятия полос. Она предлагает более гибкий способ справляться с часто меняющимися или плохо задокументированными дорогами, приближая автономное вождение к надёжной работе в шумных и разнообразных условиях реального мира.

Цитирование: 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

Ключевые слова: автономное вождение, предсказание траекторий, без карт, виртуальные полосы, взаимодействия в потоке движения