基于意图感知和多模态轨迹预测的动态交互式车辆博弈论运动规划方法

《ADVANCED ENGINEERING INFORMATICS》：Game-theoretic motion planning method for dynamic interactive vehicles based on intent-awareness and multimodal trajectory prediction

针对无信号交叉口动态交互车辆的高不确定性运动问题，本文提出基于意图感知与多模态轨迹预测的高度集成博弈论运动规划方法。通过动态交互图构建与图注意力LSTM模型融合，精准识别周围车辆多维度驾驶意图；结合驾驶风险场与时空注意力机制，生成具有低不确定性的多模态可行轨迹集，并构建车辆交互博弈空间，实时运用纳什均衡分析解决冲突，有效提升交通效率与安全性。

　　

梁伟和|曹文和|王春燕|张子瑜|张文斌|赵万忠

南京航空航天大学，南京210016，中国

摘要

在无信号交叉口，车辆运动的固有高不确定性以及动态交互机制的强耦合往往导致交通通行效率下降和安全风险急剧增加。为了解决这些挑战，本文提出了一种基于意图感知和多模态轨迹预测的新型高度集成的博弈论运动规划方法，用于动态交互车辆。为了减轻周围车辆运动不确定性对自身车辆规划的不利影响，该方法首先使用动态交互图结合图注意力机制和LSTM网络来准确识别附近车辆的横向和纵向驾驶意图。基于识别的驾驶意图，提出了一种基于协作感知的多模态轨迹预测方法，该方法整合了驾驶风险场和时空注意力机制，以解耦并生成周围车辆的多模态可行轨迹簇，从而显著降低它们的运动不确定性。最后，利用预测的周围车辆意图和多模态轨迹构建自主车辆与其他车辆之间的交互作用空间，在该空间中通过纳什均衡分析实时解决无信号交叉口的通行权冲突。各种场景下的仿真结果、硬件在环实验以及小型真实车辆实验表明，所提出的方法有效提高了自主车辆在无信号交叉口的交通效率和安全性能。

引言

交叉口是交通系统中的关键枢纽，在整体交通运营中发挥着重要作用。它们的效率在很大程度上决定了整个系统的性能[1]、[2]、[3]。特别是无信号交叉口由于交通参与者的运动不确定性高以及车辆交互的不可预测性，对效率和安全性造成了严重威胁[4]、[5]。因此，采用有效的运动规划策略来提高无信号交叉口的交通效率和安全性能对于交通系统至关重要，这也是城市自动驾驶领域的一个重大挑战。

目前，运动规划是自动驾驶的核心技术。现有方法包括基于搜索的方法、基于采样的方法、插值曲线方法、优化模型和基于人工智能的方法[6]、[7]、[8]、[9]。基于搜索的方法将状态空间离散化为搜索图，并使用启发式算法来寻找可行解。然而，离散化高维空间会降低实时性能并增加动态交互风险的量化难度[10]。基于采样的方法通过随机采样配置或状态空间来应对时间约束。但在高度交互的场景中，随机性可能导致轨迹振荡[11]。插值曲线方法通过节点插值生成连续平滑的路径，满足车辆动力学约束并提高乘坐舒适性。然而，它们假设环境是静态的，无法适应通行权冲突[12]。基于优化的方法可以解决具有多个约束的复杂多目标问题，生成平滑、可行且安全的轨迹，适用于不同场景。然而，在多车辆交互中解决非凸问题仍然具有挑战性[13]。基于人工智能的方法具有强大的复杂模式学习能力和高维特征融合优势，可以适应复杂场景。然而，它们缺乏因果解释性，并依赖于交互场景的数据[14]。因此，这些单一方法在结构化环境中表现良好，但在高度交互的无信号交叉口中难以满足运动规划要求。重要的是，随着自动驾驶安全要求的提高，风险感知已成为运动规划的重要组成部分。开发全面的风险评估模型为量化和评估潜在碰撞风险提供了坚实的基础[15]、[16]。然而，将此类风险评估与动态决策紧密集成并适应复杂交互场景仍然是一个重大挑战。

至关重要的是，为了提高车辆运动规划的效率，现有方法大多采用时空解耦架构，首先进行空间路径规划，然后进行时间速度规划，从而有效提高车辆交通效率。例如，刘等人[17]开发了一种基于三次多项式插值的路径和速度规划模型，以实现高效的自主变道。林等人[18]提出了一种分层的、解耦的路径和速度规划模型，用于变道操作，从而提高了交通效率。林等人[19]引入了一种分层轨迹规划方法，结合了基于采样的和数值优化技术，在城市环境中生成自动驾驶轨迹。然而，尽管这些时空解耦方法在提高计算效率方面做出了贡献，但在高度动态和强耦合的场景中仍存在局限性。首先，在速度规划层面，现有方法往往忽略了通行权交互的基本性质，无法有效模拟其他车辆对自身车辆行为的反馈响应。在我们之前的工作中[20]，我们发现这可能导致对其他车辆意图的误解，从而可能引发系统性故障。其次，现有研究[21]主要关注在复杂静态障碍物存在下的运动规划，没有充分考虑车辆之间复杂的动态三维交互。为了解决这些挑战，近年来基于学习的博弈论规划方法取得了显著进展[22]、[23]。然而，将它们有效地集成到实时运动规划中，并有效获取和利用细粒度意图信息仍然是未解决的问题。这些根本性限制使得现有方法不适合动态演变的交叉口场景，导致通行权交互效率降低和时空冲突概率显著增加。因此，在本研究中，有效解决动态车辆交互下的车辆运动规划是一个重大挑战。

此外，准确预测周围车辆的轨迹对于提高运动规划的效率和安全性至关重要。这在无信号交叉口尤为重要，因为高运动不确定性可能导致轨迹预测失真，从而导致规划策略过于保守或过于激进。因此，精确推断其他车辆的细粒度交互运动意图是生成可靠轨迹预测的关键前提。现有研究已经取得了显著进展。例如，程等人[24]通过提取车辆轨迹并应用轨迹聚类方法自动标注了横向意图。杜等人[25]使用多模型自适应估计框架结合模式概率推断横向意图。然而，这些工作主要关注任务层面的单一纵向或横向意图，并未充分整合操作层面的更详细的纵向-横向意图。这一限制使得轨迹预测模型无法区分驾驶行为的细微差异，从而降低了预测准确性。因此，通过细粒度意图融合、动态交互建模以及与风险感知机制的集成来有效降低无信号交叉口中车辆的高运动不确定性，以实现高精度多模态轨迹预测，是本研究的另一个核心挑战。

总之，当前关于无信号交叉口车辆运动规划的研究仍面临重大限制。现有方法未能充分整合交互车辆的纵向-横向操作层面意图，导致行为不确定性高。同时，它们没有充分考虑交叉口处的耦合动态交互机制。因此，通过细粒度意图融合和动态交互建模有效降低运动不确定性，同时大幅提高此类场景中自主车辆的交通效率和驾驶安全性，是本研究的核心挑战。

为了解决上述挑战，本文提出了一种基于意图感知和多模态轨迹预测（GIMTP-MP）的高度集成的博弈论运动规划方法，用于动态交互车辆。该方法充分考虑了周围车辆的高运动不确定性和耦合的动态交互机制。如图1所示，该方法侧重于三个关键组成部分：车辆意图识别、轨迹预测和动态交互下的运动规划。本研究的主要贡献总结如下：

(1)

一种用于动态交互车辆的高度集成博弈论运动规划方法，该方法利用意图感知和多模态轨迹预测。该方法深入整合了意图识别和多模态轨迹预测，以动态实时计算纳什均衡。这一过程使自主车辆能够确定其在无信号交叉口的最佳行动策略和动态通行权分配，从而确保交通效率和安全性。

(2)

开发了一种结合驾驶风险场和时空注意力机制的协作多模态轨迹预测框架。通过结合车辆运动学先验，生成周围车辆的可行多模态轨迹集，为交互建模提供可靠输入并降低轨迹不确定性。

(3)

建立了一种用于周围车辆的分层和顺序横向-纵向意图识别机制。该机制旨在克服传统单任务意图识别方法的局限性，实现对复杂驾驶行为的细粒度、多维度理解。

本文的其余部分组织如下。第2节介绍了一种考虑交互车辆意图的多模态轨迹预测方法。具体来说，第2.1节描述了周围车辆的横向-纵向意图识别，第2.2节介绍了一种结合驾驶风险场和时空注意力机制的协作多模态轨迹预测方法。第3节介绍了无信号交叉口中自主车辆的运动规划方法。第4节通过仿真和分析验证了所提出的方法。最后，第5节总结了本文。

章节片段

交互车辆的意图识别和多模态轨迹预测

为了有效减轻周围车辆轨迹不确定性对自主车辆运动规划的影响，准确的意图理解和多模态轨迹预测至关重要。本研究介绍了一种基于协作感知的多模态轨迹预测方法，该方法结合了驾驶风险场和时空注意力机制。首先构建一个动态交互图来表征车辆之间的时空关系。

动态交互博弈论运动规划

传统的路径-速度解耦方法在高度动态、交互的环境中（如无信号交叉口）表现出显著局限性，因为它们无法充分模拟车辆交互和通行权协商。在第2节中提出的细粒度意图识别和多模态轨迹预测结果的基础上，本节为自主车辆和周围车辆构建了一个交互作用空间。

实验与分析

本节对提出的GIMTP-MP进行了全面的实验评估和分析。评估通过包括基于仿真的实验、硬件在环（HIL）验证和小型真实车辆实验的分层验证框架进行。这些实验旨在检验所提出方法在复杂无信号交叉口场景中的有效性、鲁棒性和实际可行性。

结论

本研究解决了自主车辆在无信号交叉口面临的高不确定性和强动态交互耦合问题，并提出了GIMTP-MP框架。首先，使用动态交互图和图注意力LSTM模型准确推断周围车辆的横向-纵向驾驶意图。然后，通过将驾驶风险场与时空注意力机制相结合，该方法生成多模态

CRediT作者贡献声明

梁伟和：写作——审稿与编辑、撰写——初稿、软件、方法论、数据管理、概念化。曹文和：写作——审稿与编辑、撰写——初稿、验证、调查、形式分析、数据管理。王春燕：调查、形式分析、数据管理、概念化。张子瑜：写作——审稿与编辑、方法论。张文斌：形式分析、数据管理。赵万忠：可视化、监督、方法论、调查，

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本工作部分得到了国家自然科学基金（U24A20199）和江苏省青年基金（BK20241419）的支持。