LSTM框架INTENT实现十字路口车辆意图预测99.71%准确率

背景

在自动驾驶领域，准确预测周围车辆的行为是确保安全性和决策敏捷性的关键。尤其是在交叉路口、环岛以及紧急情况（如突然停车）等复杂交互场景中，车辆意图预测能够帮助自动驾驶系统提前采取正确的规避动作，从而在每一秒都可能决定是否发生灾难的实时窗口内降低风险，甚至完全避免事故。即便在最坏情况下，意图预测也能最小化损害，将安全置于首位。此外，意图预测还可用于增强轨迹预测（即基于意图条件约束的轨迹预测），进一步提升预测的可解释性与准确性。

核心内容

本文提出名为 INTENT 的框架，采用 LSTM（Long Short-Term Memory）模型，专门用于在交叉路口场景中提前预测车辆意图。具体而言，该框架在事件发生前 2 秒 预测车辆是直行、左转还是右转。研究团队在 InD 数据集（一个包含自然驾驶轨迹的公开数据集）上进行了详尽的模型实验和消融研究（ablation study），最终取得了 99.71% 的准确率。该结果通过多种实验设计（包括不同网络结构、输入特征组合等）验证了模型的有效性和鲁棒性，消融分析则揭示了各组件对最终性能的贡献。

关键要点

• 预测任务：在交叉路口场景中，提前 2 秒预测邻近车辆的三种意图——直行、左转、右转。
• 模型架构：基于 LSTM 的序列建模框架，能够捕捉车辆轨迹的时间依赖关系。
• 数据集：使用 InD 数据集，该数据集包含真实交通场景下的车辆轨迹，具有挑战性。
• 性能指标：在测试集上达到 99.71% 的准确率，表明模型在预测短期意图方面具有高度可靠性。
• 消融分析：通过系统性的消融实验，验证了模型各组件（如 LSTM 层数、输入特征维度、时间窗口长度等）的必要性，提供了可复现的架构设计依据。
• 应用潜力：意图预测结果可直接用于下游的轨迹预测模块，形成条件化的轨迹预测，提升整体系统在复杂交互场景中的表现。

意义与影响

该研究为自动驾驶中的行为预测提供了一种高精度、低延迟的解决方案。INTENT 框架在交叉路口这一高频交互场景中实现了接近完美的意图识别，这直接有助于提升自动驾驶系统在复杂城市环境中的安全性。同时，其严格的消融分析为后续研究提供了明确的组件贡献度量，使得模型设计更加透明和可解释。此外，将意图预测与轨迹预测结合（意图条件化轨迹预测）的思路，有望成为未来自动驾驶决策系统的主流范式。该工作也展示了 LSTM 在短期时序预测任务中依然具有强大竞争力，为轻量化、可部署的实时预测模型提供了参考。