摘要：軌跡預(yù)測是自動駕駛系統(tǒng)中不可或缺的一環(huán)，對幫助理解車體周圍環(huán)境和其它人、車的意圖有著至關(guān)重要的作用。在2022年Waymo自動駕駛數(shù)據(jù)集挑戰(zhàn)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(yù)測精度，同時給予了較高的模型設(shè)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(yù)測模型的任務(wù)是將目標(biāo)物體的未來軌跡預(yù)測出來。現(xiàn)階段的軌跡預(yù)測模型根據(jù)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(jīng)網(wǎng)絡(luò)（CNN）編碼信息；另兩種則側(cè)重于使用transformer結(jié)構(gòu)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(yōu)劣：CNN已被廣泛應(yīng)用多年，硬件加速成熟，但和近幾年才發(fā)展起來的transformer相比存在地圖輸入尺寸受限、預(yù)測精度低等問題。綜合考慮，HBEns建立在“基礎(chǔ)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(chǔ)模型即相當(dāng)于一個黑盒，從而賦予模型設(shè)計很大的自由性。

圖1 HBEns流程圖。多個基礎(chǔ)模型的結(jié)果通過分類別的軌跡聚合實現(xiàn)最后輸出，軌跡聚合的參數(shù)通過網(wǎng)格調(diào)參實現(xiàn)。

方法

基礎(chǔ)模型沿用了HOME和MultiPath++的設(shè)計，并在此基礎(chǔ)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(yōu)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(jié)構(gòu) HOME模型是一個二階段模型，其一階段結(jié)構(gòu)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(biāo)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(jiān)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(biāo)物體的軌跡信息中。

圖3CNN+MCG門控機制實現(xiàn)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(biāo)物體最近的256個地圖標(biāo)記（包括中心線、路沿、車道線等）；2）僅選取128個距離目標(biāo)物體最近的車道中心線標(biāo)記。選取的過程采用了廣度優(yōu)先搜索（BFS）算法。每個標(biāo)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(nèi)）。模型結(jié)構(gòu)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(biāo)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(yōu)先選擇閾值范圍內(nèi)所有軌跡的置信度總和最高的軌跡作為中心軌跡。閾值內(nèi)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(zhí)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(xiàn)。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(nèi)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(jié)果

模型聚合的步驟存在多種可調(diào)參數(shù)，因此網(wǎng)格調(diào)參可以幫助搜索到最優(yōu)的參數(shù)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(yōu)；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(wǎng)格調(diào)參后每個類別的最優(yōu)參數(shù)配置。表2的實驗結(jié)果證明，模型聚合對提升單個模型的預(yù)測準(zhǔn)確度有著顯著的幫助。

表1 針對每個類別的網(wǎng)格搜參結(jié)果

表2 驗證集上模型聚合前后的mAP指標(biāo)變化

表3 測試集上HBEns排名

可視化結(jié)果

下圖是HBEns結(jié)果的可視化。其中藍色代表實車軌跡，青色代表模型預(yù)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(qū)域。模型共輸出6條可能的軌跡及其置信度，來預(yù)測物體未來的前進方向。

總結(jié)

HBEns模型框架采用了“基礎(chǔ)模型+模型聚合”的思路，使得模型擁有較大的設(shè)計空間，可針對不同的類型、數(shù)據(jù)集做出優(yōu)化。基于EM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(yù)測的精度。

審核編輯：湯梓紅