摘要

预测行人或人类驾驶车辆等智能体的运动行为，是自动驾驶领域中最关键的问题之一。驾驶的整体安全性以及乘客的舒适度，直接取决于该问题的妥善解决。与此同时，运动预测仍是自动驾驶工程中最具挑战性的难题之一，其主要原因是：在给定场景下，智能体未来行为的可能变化具有高度不确定性。这种不确定性主要由两种现象导致：一是由于智能体意图的不确定性所引发的多模态行为（例如，向右转弯或继续前行）；二是特定意图在实现过程中的不确定性（例如，转向哪条车道）。为了在实时自动驾驶系统中有效应用，运动预测系统必须能够高效地描述和量化这种不确定性，例如计算后验模态及其概率，或估计特定轨迹对应点处的概率密度。此外，系统不应为物理上不可能的轨迹赋予显著概率密度，否则可能误导后续的决策与规划模块。本文提出了一种名为PRANK的方法，该方法能够满足上述要求。PRANK以智能体周围环境的栅格化鸟瞰图像作为输入，利用卷积神经网络提取场景特征，并生成在给定场景下合理轨迹的条件分布。PRANK的核心贡献在于：在潜在轨迹空间中采用近邻方法对这一分布进行建模，从而实现高效的实时推理。我们在自建数据集和Argoverse数据集上对PRANK进行了评估，结果表明其性能具有竞争力。