Kartfri metod för fordonsbaneförutsägelse baserad på heterogena grafer och dynamiska scenbegränsningar

Varför det är viktigt att förutsäga bilrörelser utan kartor

När självkörande bilar närmar sig vardagsbruk måste de säkert kunna gissa vart närliggande fordon är på väg under de närmaste sekunderna. Många av dagens system lutar sig mot mycket detaljerade digitala kartor för att styra dessa gissningar. Sådana kartor är emellertid dyra att ta fram, svåra att hålla uppdaterade och saknas ofta i tunnlar, på landsvägar eller i snabbrörliga stadsmiljöer. Denna studie undersöker hur självkörningssystem ändå kan göra pålitliga korttidsförutsägelser om omgivande bilar genom enbart det de observerar i trafiken, utan att förlita sig på förinspelade kartor.

Läsa vägen ur hur förare kör

Författarna utgår från en enkel idé: vägformen ligger dold i hur människor kör på den. Om du observerar många bilar som passerar samma plats avslöjar deras banor körfält, svängar och typiska flöden, även om du aldrig ser en målning på asfalten. Teamets metod, kallad DynaScene-Pred, samlar korta utdrag av senaste rörelser från alla fordon i sikte. Den grupperar sedan banor som liknar varandra, till exempel bilar som kör rakt fram eller svänger vänster, och ur dessa grupper ritar den jämna "virtuella körfält" som följer sannolika rutter genom scenen. Dessa virtuella körfält fungerar som en intern skiss av vägen, byggd i farten från data i stället för från en sparad karta.

Att koppla ihop fordon och virtuella körfält

När de virtuella körfälten är upprättade behandlar modellen varje bil och varje körfält som noder i ett nätverk och länkar dem med kanter som beskriver hur de förhåller sig till varandra. Nära bilar kopplas ihop för att visa vem som kan påverka vem, och varje bil länkas även till de virtuella körfält som bäst matchar dess senaste bana och riktning. En typ av neuralt nätverk som arbetar på sådana nätverk av noder och kanter skickar sedan information längs dessa länkar. Samtidigt bestämmer uppmärksamhetsmoduler vilka grannar, vilka körfält och vilka tidigare tidpunkter som är viktigast. Tillsammans låter dessa steg systemet resonera om både socialt beteende, som bilar som reagerar på varandra, och fysiska begränsningar, såsom att hålla sig inom en kurvas utbredning.

Föreställa sig flera möjliga framtider

Körning är osäker: en bil kan fortsätta rakt fram, byta körfält eller svänga, även om dess tidigare rörelse ser likartad ut. För att hantera detta ger DynaScene-Pred inte bara ut en framtida bana, utan flera. Inuti modellen representerar en kompakt dold kod olika köravsikter. Under träningen justeras denna kod så att dess variationer överensstämmer med hur förare faktiskt beter sig i många inspelade scener. När modellen gör en förutsägelse samplar systemet några versioner av denna kod och rullar för varje version ut en möjlig framtida bana som fortfarande respekterar de virtuella körfälten och den omgivande trafiken. Det leder till ett litet antal realistiska alternativ snarare än en enda bräcklig gissning.

Testning i verklig stadstrafik

Forskarna testar sitt tillvägagångssätt på Argoverse, en välkänd offentlig datamängd med verklig stadstrafik från amerikanska städer. Till skillnad från många konkurrerande metoder ignorerar de medvetet de rika inbyggda kartorna och använder enbart fordonens positioner över tid. De jämför sina resultat med flera andra "kartfria" system samt med ledande metoder som använder kartor. På centrala mått som genomsnittligt och slutligt positionsfel, och hur ofta alla förutsagda banor missar det verkliga utfallet, överträffar deras system konsekvent andra kartfria baslinjer. Även om det inte riktigt matchar den absoluta noggrannheten hos de starkaste kartbaserade modellerna kommer det tillräckligt nära för att visa att inlärda virtuella körfält kan ersätta dyra kartor i många situationer, samtidigt som beräkningen hålls tillräckligt snabb för användning i realtid i ett fordon.

Vad detta innebär för framtida självkörande bilar

För en icke-specialist är huvudslutsatsen att självkörande bilar inte alltid behöver mycket detaljerade kartor för att agera säkert och rimligt. Genom att iaktta hur förare rör sig återbygger DynaScene-Pred en intern bild av vägen och använder den för att prognostisera flera plausibla banor för varje närliggande bil. Denna kartfria strategi förbättrar tidigare angreppssätt som bara förlitade sig på rå rörelsedata utan någon föreställning om körfält. Den erbjuder ett mer flexibelt sätt att hantera vägar som ofta förändras eller är dåligt kartlagda, och för flyttar därmed autonom körning närmare att fungera pålitligt i verklighetens röriga och varierade förhållanden.

Citering: 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

Nyckelord: självkörning, baneförutsägelse, kartfri, virtuella körfält, trafikinteraktioner