ITCA：基于可解释树和交叉注意力（Cross-Attention）的轨迹预测网络，该网络将轨迹信息与速度信息相结合进行预测

基于交叉注意力机制和树结构模型的社会交互建模方法用于提升自动驾驶中行人轨迹预测的精度，尤其在复杂场景下的碰撞规避方面表现优异。

　　

摘要：

在自动驾驶车辆中，预测周围动态物体的未来轨迹对于安全且精确的行为规划至关重要。预测轨迹对于防止涉及弱势道路使用者（如行人）的事故至关重要，这需要高度准确的预测性能。通常，场景中的行人在一起移动时会遵循相似的轨迹，而从相反方向接近的行人会采取措施避免碰撞。场景中的行人会形成并遵循这些社会规范。因此，本文使用基于每个行人轨迹和速度信息的交叉注意力机制来提取拥挤场景中物体之间的社会互动，并对社交规范进行建模。我们提出了一种使用手工方法构建的轨迹和速度树来生成候选轨迹，并通过将它们与社会互动相结合来预测可行的轨迹。与仅依赖隐式潜在变量来预测未来轨迹的现有方法相比，所提出的方法具有更高的可解释性，因为它使用树结构来表示轨迹候选方案。所提出的网络结构为预测速度剖面提供了进一步研究的可能性。为了验证所提方法的推理性能，我们在包括ETH、UCY和Stanford Drone数据集在内的行人数据集上进行了定量和定性实验。这些实验证明了所提出的ITCA方法的优越性。我们还进行了消融研究，以定量解释每个模块的贡献。据我们所知，ITCA的推理性能优于仅使用上下文数据的现有最先进方法。

引言

在自动驾驶技术中，开发针对周围动态物体的响应技术至关重要[1]、[2]、[3]、[4]。在无需驾驶员干预的自主操作过程中，对周围物体的响应不足可能导致驾驶员、其他车辆和弱势行人遭受严重伤害[5]、[6]、[7]、[8]。基于这一理解，欧洲新车评估计划为自动驾驶车辆定义了安全评估标准，重点关注安全功能，例如自动紧急制动系统和前向碰撞避免系统，并通过测试场景（如车辆与行人侧面碰撞、车辆与行人纵向碰撞以及车辆与行人转弯碰撞等场景）来进行评估[9]、[10]、[11]。因此，预测这些物体的未来轨迹并开发能够主动响应预测轨迹的技术对于保护弱势道路使用者（如行人）至关重要。