摘要：軌跡預測是自動駕駛系統中不可或缺的一環，對幫助理解車體周圍環境和其它人、車的意圖有著至關重要的作用。在2022年Waymo自動駕駛數據集挑戰賽上，地平線使用了HBEns模型框架，基于“在單模型的輸出上使用模型聚合”的二階段思路，大幅提升了總體軌跡預測精度，同時給予了較高的模型設計自由性。

簡介

給定一份道路地圖和周圍所有可觀測的物體的歷史軌跡，軌跡預測模型的任務是將目標物體的未來軌跡預測出來?，F階段的軌跡預測模型根據輸入編碼類型的不同可以分成基于柵格（raster-based）、基于矢量（vector-based）和基于圖（graph-based）這三大類?；跂鸥竦哪Ｐ鸵话阃ㄟ^卷積神經網絡（CNN）編碼信息；另兩種則側重于使用transformer結構或其他圖算法進行地圖、物體的編碼。從工程角度而言，兩者各有優劣：CNN已被廣泛應用多年，硬件加速成熟，但和近幾年才發展起來的transformer相比存在地圖輸入尺寸受限、預測精度低等問題。綜合考慮，HBEns建立在“基礎模型(base models)+模型聚合(model ensemble)”的思想上（圖1）。對于模型聚合來說，前面的基礎模型即相當于一個黑盒，從而賦予模型設計很大的自由性。

圖1 HBEns流程圖。多個基礎模型的結果通過分類別的軌跡聚合實現最后輸出，軌跡聚合的參數通過網格調參實現。

方法

基礎模型沿用了HOME和MultiPath++的設計，并在此基礎上增加了新特性。對于自行車、行人等運動速度較慢的物體，基于柵格的HOME模型性能優異；對運動較快的汽車，基于矢量輸入的MultiPath++則更勝一籌。

圖2基于HOME模型的第一階段結構 HOME模型是一個二階段模型，其一階段結構見圖2。自車軌跡、周圍物體軌跡和地圖信息分三路分別完成編碼，目標物體信息和周圍物體信息還會進行一次attention操作來增強信息互動。原始的HOME輸出的是物體最后所在位置的熱力點圖，HBEns則采用了3/5/8s共三個點的位置生成熱力圖，來加強監督過程。 第二階段（圖3）采用了輕量級的CNN和源自MultiPath++的多語境門控機制（multi-context gating, MCG）來解決原始HOME無法較好處理低清熱力圖的問題。MCG模塊的功能類似于attention，目的是將3/5/8s的信息融合編碼進目標物體的軌跡信息中。

圖3CNN+MCG門控機制實現第二階段從熱力圖到軌跡的輸出 針對MultiPath++模型，兩種不同的輸入表示被采用：1）選取距離目標物體最近的256個地圖標記（包括中心線、路沿、車道線等）；2）僅選取128個距離目標物體最近的車道中心線標記。選取的過程采用了廣度優先搜索（BFS）算法。每個標記額外擁有一個0-1矢量來注記它的其他特性（如是否位于斑馬線、減速帶內）。模型結構上，在不損失精度的前提下，采用GRU模塊替換了MultiPath++原有的LSTM模塊。

圖4 基于貪婪策略的軌跡選擇。每根軌跡由坐標點ξ和置信度p描述。每一輪迭代中，在給定距離閾值τ條件下，貪婪策略優先選擇閾值范圍內所有軌跡的置信度總和最高的軌跡作為中心軌跡。閾值內的其他軌跡在下一輪不參與選取。 HBEns對MultiPath++中的模型聚合（model ensemble）進行了一定的改進并實驗了一些新的想法。執行模型聚合之前，首先利用一個聚類算法從所有輸入的軌跡中選取K根作為“中心軌跡”。聚類算法可以通過貪婪策略（greedy）或非極大值抑制（NMS）來實現。貪婪策略傾向于選擇周圍軌跡較為集中的作為中心（圖4），而NMS則著眼于每根軌跡的置信度，每次選擇置信度最高的軌跡，并將周圍的一定范圍內的其他軌跡抑制。完成中心選擇后，采用最大期望算法（EM）進行迭代，完成軌跡的最終迭代更新。

實驗結果

模型聚合的步驟存在多種可調參數，因此網格調參可以幫助搜索到最優的參數配置。對于自行車和行人等行動方向更擴散的物體，NMS在聚合中的效果更優；車輛則一般沿著既定的車道線行駛，因此貪婪策略的中心點選擇效果更好。表1綜合了網格調參后每個類別的最優參數配置。表2的實驗結果證明，模型聚合對提升單個模型的預測準確度有著顯著的幫助。

表1 針對每個類別的網格搜參結果

表2 驗證集上模型聚合前后的mAP指標變化

表3 測試集上HBEns排名

可視化結果

下圖是HBEns結果的可視化。其中藍色代表實車軌跡，青色代表模型預測軌跡，黑色代表道路中心線軌跡，紅色為路沿，黃色為斑馬線區域。模型共輸出6條可能的軌跡及其置信度，來預測物體未來的前進方向。

總結

HBEns模型框架采用了“基礎模型+模型聚合”的思路，使得模型擁有較大的設計空間，可針對不同的類型、數據集做出優化?；贓M算法的模型聚合作為后處理步驟，顯著提高了僅使用單模型進行預測的精度。

審核編輯：湯梓紅