A Structure-Aware Lane Graph Transformer Model for Vehicle Trajectory Prediction

准确预测周围车辆未来的轨迹对于自动驾驶汽车的安全运行至关重要。本研究提出了一种具有结构感知能力的Lane Graph Transformer（LGT）模型。其主要贡献在于将地图拓扑结构编码到注意力机制中。为了解决来自不同方向的车道信息变化，引入了四个相对位置编码矩阵（RPE），以捕捉地图拓扑结构的局部细节。此外，还使用了两个最短路径距离（SPD）矩阵来捕捉两个可访问车道之间的距离信息。数值结果表明，所提出的LGT模型在Argoverse 2数据集上取得了显著更高的预测性能。具体而言，与Argoverse 2基准模型（最近邻）相比，minFDE$_6$指标降低了60.73％，b-minFDE$_6$指标与基准LaneGCN模型相比降低了2.65％。此外，消融实验表明，考虑地图拓扑结构导致b-minFDE$_6$指标下降了4.24％，验证了该模型的有效性。

本文旨在提高自动驾驶车辆的安全性，通过准确预测周围车辆的运动轨迹来解决这个问题。

本文提出了一种具有结构感知能力的Lane Graph Transformer（LGT）模型，将地图拓扑结构编码到注意力机制中，并使用四个相对位置编码矩阵和两个最短路径距离矩阵来捕捉地图拓扑结构的局部细节和距离信息。

本文的实验结果表明，相比于基线模型，LGT模型在Argoverse 2数据集上的表现有了显著提高，b-minFDE$_6$指标下降了2.65%，minFDE$_6$指标下降了60.73%。该模型的亮点在于考虑了地图拓扑结构，实验数据来自Argoverse 2数据集，同时作者已经公开了代码。

在这个领域，与本文相关的研究包括LaneGCN模型和Nearest Neighbor基线模型。