基于异构图和动态场景约束的无地图车辆轨迹预测方法

为何无地图预测车辆运动很重要

随着自动驾驶汽车逐步走向日常生活，它们必须在接下来的几秒内安全地猜测附近车辆的去向。如今许多系统依赖极为详细的数字地图来指导这些预测。但这类地图造价高昂、难以维护更新，在隧道、乡村道路或快变的城市街道中往往缺失。本文研究了自驾系统如何在不依赖预先制作地图的情况下，仅凭道路上可见的信息，仍能对周边车辆做出可靠的短期预测。

从驾驶者的行驶方式读出道路

作者从一个简单的想法出发：道路的形态隐藏在驾驶者的行驶轨迹中。如果观察大量车辆通过同一地点，它们的路径会揭示车道、转弯和典型流向，即便看不到画出的车道线。团队的方法称为 DynaScene-Pred，它收集视野中所有车辆的短期近期运动片段，然后将相似的路径分组，比如直行或左转的车辆，并从这些组中绘制出平滑的“虚拟车道”，描绘出场景中可能的通行路线。这些虚拟车道像一种内部的道路草图，实时由数据构建，而非依赖存储的地图。

将车辆与虚拟车道连接起来

虚拟车道建立后，模型将每辆车和每条车道视为网络中的节点，并用表示它们关系的连线将它们连接起来。相近的车辆相互连接，以表示谁可能影响谁，每辆车也与最符合其近期轨迹和方向的虚拟车道相连。一类适用于这种点线网络的神经网络沿着这些连接传递信息。与此同时，注意力模块决定哪些邻居、哪些车道和哪些过去时刻最重要。结合这些步骤，系统既能推理社会性行为（例如车辆间的互相反应），也能顾及物理约束（例如在道路弯道内行驶）。

设想若干可能的未来

驾驶具有不确定性：即便过去的运动看起来相似，一辆车也可能继续直行、变道或转弯。为应对这种不确定性，DynaScene-Pred 并不只输出一条未来路径，而是生成若干条。模型内部用一个紧凑的隐藏编码来表示不同的驾驶意图。在训练过程中，这个编码被调校，使其变化与许多记录场景中驾驶者的真实行为相对应。在预测时，系统对该编码采样若干版本，并针对每个版本展开一条可能的未来路径，同时仍然遵守虚拟车道和周围交通的约束。这样可以得到一小组现实可行的选项，而不是单一易碎的猜测。

在真实城市交通上的测试

研究人员在 Argoverse 数据集上测试了他们的方法，该数据集是美国城市真实驾驶的知名公开数据集。与许多竞争方法不同，他们有意忽略了该数据集内丰富的内置地图，仅使用车辆随时间的位置序列。他们将结果与若干其他“无地图”系统以及使用地图的领先方法进行了比较。在平均和最终位置误差等关键指标上，以及在所有预测路径均未命中的频率方面，他们的系统持续优于其他无地图基线。虽然在绝对精度上尚未完全达到最强的基于地图模型，但已足够接近，表明学习得到的虚拟车道在许多情形下可以替代昂贵的地图，同时保持足够快的处理速度以供车辆实时使用。

这对未来自动驾驶汽车意味着什么

对非专业读者来说，主要结论是自动驾驶汽车并不总是需要极其精细的地图才能安全且合理地行驶。通过观察驾驶者的移动，DynaScene-Pred 重建了道路的内部图景，并用其为每辆附近车辆预测若干可信的未来路径。这一无地图策略优于早期仅依赖原始运动而没有车道概念的方法。它为应对经常变化或地图欠缺的道路提供了一种更灵活的方式，使自动驾驶在真实世界中凌乱多变的环境中更可靠地运行更进一步。

引用: 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

关键词: 自动驾驶, 轨迹预测, 无地图, 虚拟车道, 交通交互