MFTraj: Map-Free, Behavior-Driven Trajectory Prediction for Autonomous Driving

本文介绍了一种针对自动驾驶量身定制的轨迹预测模型，重点在于捕捉动态交通场景中的复杂交互作用，而无需依赖高清地图。该模型称为MFTraj，利用历史轨迹数据和一种新颖的基于动态几何图形的行为感知模块。在其核心，一种自适应结构感知的交互式图卷积网络捕获了道路用户的位置和行为特征，保留了时空复杂性。通过线性注意力机制的增强，该模型实现了计算效率和减少参数开销。在Argoverse、NGSIM、HighD和MoCAD数据集上的评估突显了MFTraj的鲁棒性和适应性，即使在缺乏数据的场景下，也能胜任许多基准测试，而无需额外的信息，如高清地图或矢量化地图。重要的是，即使在存在大量缺失数据的情况下，它仍然保持着与大多数现有最先进模型相当的性能水平。这些结果和方法表明，在自动驾驶轨迹预测方面取得了重大进展，为更安全、更高效的自动系统铺平了道路。

本论文旨在提出一种适用于自动驾驶的轨迹预测模型，旨在捕捉动态交通场景中的复杂交互，而无需依赖高清地图。

论文提出了一种新颖的动态几何图形行为感知模块，结合历史轨迹数据，使用自适应结构感知交互图卷积网络来捕捉道路用户的位置和行为特征，实现了计算效率和减少参数开销。

论文在Argoverse、NGSIM、HighD和MoCAD数据集上进行了评估，证明了MFTraj的鲁棒性和适应性，即使在数据缺失的情况下也能保持竞争力。值得注意的是，该模型无需额外信息如高清地图或矢量化地图。

最近的相关研究包括：'End-to-end Learning of Driving Models from Large-scale Video Datasets'，'Interaction-aware Multi-agent Trajectory Prediction with Dynamic Relational Reasoning'，'Probabilistic Behavior Prediction in Autonomous Driving using Interactive Markov Decision Processes'等。