动态场景图框架实现多车换道意图与轨迹预测

背景

在高级驾驶辅助系统和自动驾驶汽车中，安全运动规划要求对周围交通场景的演化趋势有准确理解。然而，现有的大多数换道预测方法仍局限于单一目标车辆，而多智能体预测方法通常仅通过未来位置来描述场景演化，对每辆车所关联的驾驶操作提供有限的显式信息。随着自动驾驶技术对场景级理解的需求日益增长，亟需一种能够同时预测场景中所有相关车辆的换道意图和未来轨迹的统一框架。

核心内容

本研究提出了一种动态场景图注意力框架（Dynamic Scene Graph Attention Framework, DSiGAT），用于预测局部交通场景中每辆相关车辆的换道意图和未来轨迹。该框架将场景表示为随时间变化的交互图（time-varying interaction graph），其中车辆被建模为节点，其空间和运动学关系通过显式边特征（explicit edge features）进行编码。时序图注意力消息传递（temporal graph-attention message passing）机制捕捉不断演化的车辆间依赖关系以及换道前的线索，而意图引导的解码器（intention-guided decoder）则将每个预测的驾驶操作与对应的未来运动轨迹相连接。此外，框架引入了场景级一致性目标（scene-level consistency objective），以鼓励多车辆未来预测结果的相互兼容性。

实验在 NGSIM I-80、NGSIM US-101 和 highD 三个数据集上进行，结果一致优于多种对比基线。具体而言，DSiGAT 在 NGSIM I-80 和 US-101 上分别达到 90.12% 和 90.97% 的意图预测准确率，其轨迹 RMSE 较最强基线降低了最高 52.94%。同时，该方法产生了更低的智能体间碰撞率和联合位移误差，表明其场景级预测具有更高的一致性。消融实验、敏感性分析、鲁棒性分析及定性分析进一步验证了所提出各组件的贡献以及场景聚焦建模方式的有效性。

关键要点

• 动态场景图表示：将交通场景建模为随时间变化的交互图，车辆为节点，空间与运动学关系为显式边特征，从而完整刻画场景结构。
• 时序图注意力消息传递：通过注意力机制在时间维度上聚合相邻车辆的信息，捕捉车辆间动态依赖和换道前兆线索。
• 意图引导的解码器：显式地将每个预测的驾驶操作（如换道或车道保持）与对应的未来轨迹输出关联，提升预测的可解释性。
• 场景级一致性目标：在训练中引入损失项，促使同一场景内多辆车的未来预测在空间和时间上相互协调，减少冲突。
• 优异的定量结果：在三个真实交通数据集上，意图预测准确率超过 90%，轨迹误差相比最强基线降低超 50%，碰撞率显著下降。
• 全面的验证分析：除与基线对比外，还通过消融、敏感性、鲁棒性和定性分析，逐项证实了图注意力、时序消息传递、意图引导等组件的重要性。

意义与影响

该研究推动了自动驾驶场景理解从单车辆预测向多车辆协同预测的演进。DSiGAT 不仅提供了更准确的换道意图和轨迹预测，还通过场景级一致性降低了多车预测之间的矛盾，有助于提升自动驾驶系统在密集交通中的安全性和规划合理性。其动态图建模思路与意图引导解码器设计，为未来将先验驾驶知识（如交通规则、驾驶习惯）融入预测模型提供了可扩展的框架。此外，在 highD 等大规模高速公路数据集上的表现表明该方法具有较强的泛化能力，可为实际自动驾驶系统的运动规划模块提供可靠的场景演化估计。