arXiv上傳于2022年2月10日的論文“Transferable and Adaptable Driving Behavior Prediction”，伯克利分校工作。

雖然自動(dòng)駕駛汽車仍難以解決道路行駛中的挑戰(zhàn)性問題，但人類早已掌握高效、可遷移和可適應(yīng)的駕駛本質(zhì)。通過模仿人類在駕駛過程中的認(rèn)知模型和語義理解，HATN，一個(gè)分層框架，為多智體密集交通環(huán)境的駕駛行為生成高質(zhì)量、可遷移和可適應(yīng)的預(yù)測(cè)。這個(gè)分層方法由高級(jí)別意圖識(shí)別策略和低級(jí)軌跡生成策略組成。其中定義一種新的語義子任務(wù)，并給出每個(gè)子任務(wù)的通用狀態(tài)表示。有了這些技術(shù)，分層結(jié)構(gòu)可以在不同的駕駛場(chǎng)景中遷移。

此外，該模型通過在線適應(yīng)模塊捕捉個(gè)人和場(chǎng)景之間駕駛行為的變化。在開源INTERACTION數(shù)據(jù)集，通過十字路口和環(huán)島的軌跡預(yù)測(cè)任務(wù)展示該算法的性能。

提出的HATN（Hierarchical Adaptable and Transferable Network）框架由四部分組成：

1）左側(cè)，提取自車的交互車輛，并構(gòu)造語義圖（Semantic Graph，SG）。在SG中，定義動(dòng)態(tài)插入?yún)^(qū)域（Dynamic Insertion Areas，DIA）為圖形的節(jié)點(diǎn)，自車可以選擇插入其中。

2） 高級(jí)別的語義圖網(wǎng)絡(luò)（Semantic Graph Network，SGN）以SG為輸入，負(fù)責(zé)對(duì)車輛之間的關(guān)系進(jìn)行推理，并預(yù)測(cè)單個(gè)車輛的意圖，例如插入哪個(gè)區(qū)域和相應(yīng)的目標(biāo)狀態(tài)。

3） 低級(jí)別編解碼網(wǎng)絡(luò)（Encoder Decoder Network，EDN）接收每輛車的歷史動(dòng)態(tài)和意圖信號(hào)，并預(yù)測(cè)其未來軌跡。

4） 在線適應(yīng)（OA）模塊根據(jù)歷史預(yù)測(cè)誤差在線適應(yīng)EDN的參數(shù)，該誤差捕捉個(gè)體和場(chǎng)景特定的行為。

如圖是HATN的方框圖：

下表正式闡明HATN每個(gè)模塊的輸入和輸出：

關(guān)于各個(gè)模型的描述如下：

HATNSG （scene graph representation）SGNEDNMEKF（modified Extended Kalman Filter）

提取的DIA是一個(gè)動(dòng)態(tài)區(qū)域，可以由自智體在路上插入或進(jìn)入。每個(gè)DIA由前智體形成的前邊界、后智體形成的后邊界和參考線形成的兩個(gè)側(cè)邊界組成。如圖是DIA提取和SG構(gòu)建過程：當(dāng)其他車輛的車道參考線（通過Dynamic Time Warping 算法確認(rèn)）與自車的車道參考線交叉時(shí)，基于沖突點(diǎn)，提取DIA并將其視為節(jié)點(diǎn)來構(gòu)建SG。

為了推斷任意兩個(gè)節(jié)點(diǎn)之間的關(guān)系，受Graph Attention Network（GAN）的啟發(fā)，設(shè)計(jì)一個(gè)基于注意的關(guān)系推理層。

一旦高級(jí)別策略決定了要去哪里，低級(jí)別策略就負(fù)責(zé)通過更精細(xì)粒度處理信息來實(shí)現(xiàn)這一目標(biāo)，其從分層設(shè)計(jì)中得到好處：

1）學(xué)習(xí)被簡(jiǎn)化，因?yàn)檐囕v只需要關(guān)心自己的動(dòng)力學(xué)，而交互、避撞、道路幾何的考慮則留給高層策略來處理（信息隱藏）；

2） 該策略僅為達(dá)到目標(biāo)（獎(jiǎng)勵(lì)隱藏）而優(yōu)化，這是可控和可解釋的，因?yàn)椴煌胧┑男Ч梢愿玫仳?yàn)證；

3） 學(xué)習(xí)的策略可以在不同的場(chǎng)景中轉(zhuǎn)換和重用。

在實(shí)踐中，來自高級(jí)別策略的預(yù)測(cè)意圖信號(hào)本身可能攜帶來自高層策略或數(shù)據(jù)分布的誤差方差。實(shí)證發(fā)現(xiàn)，最佳性能表現(xiàn)在：

1）在Frenet坐標(biāo)下；

2）包括速度和偏航等輸入特征；

3）應(yīng)用增量預(yù)測(cè)和位置對(duì)齊等表示技巧；

4）在輸入特征中添加目標(biāo)狀態(tài)和解碼步驟等意圖信號(hào)。

不同的駕駛場(chǎng)景也不可避免地會(huì)產(chǎn)生額外的行為變化。因此，利用在線適應(yīng)（基于卡爾曼濾波器）將定制的個(gè)人和場(chǎng)景模式注入到模型中。在線適應(yīng)的關(guān)鍵點(diǎn)是，由于駕駛員無法直接溝通，歷史行為可能是駕駛員駕駛模式的重要線索，基于此，調(diào)整模型參數(shù)以更好地適應(yīng)個(gè)人或場(chǎng)景。

在線適應(yīng)背后的直覺是，盡管給定了相同的目標(biāo)狀態(tài)，但駕駛員仍有不同的方式來實(shí)現(xiàn)它。捕獲這種定制模式可以改善生成的行為人類相似性。其整個(gè)算法的偽代碼如下圖：

如下是3個(gè)實(shí)驗(yàn)場(chǎng)景：

1） 自車如何與其他車輛交互以通過一個(gè)共同沖突點(diǎn)（一次交互）；

2） 自車如何與其他車輛互動(dòng)，以通過一系列沖突點(diǎn)（一系列互動(dòng)）；

3） 無需再訓(xùn)練就將自車遷移到環(huán)島場(chǎng)景時(shí)，自車與其他車輛的交互方式（場(chǎng)景可遷移交互）。

場(chǎng)景：一次交互場(chǎng)景：一系列交互場(chǎng)景：可遷移交互

下兩個(gè)表是在十字路口和環(huán)島場(chǎng)景中HATN和其他6種方法的比較：

1.無時(shí)域：該方法不考慮歷史信息，即只考慮當(dāng)前時(shí)間步長(zhǎng)t的信息。

2.GAT：這種方法使用絕對(duì)特征來計(jì)算節(jié)點(diǎn)之間的關(guān)系，而不是使用相對(duì)特征。這種方法對(duì)應(yīng)于原始的圖形注意網(wǎng)絡(luò)（GAN）。

3、單智體：該方法只考慮自車意圖預(yù)測(cè)的損失，不考慮其他車輛的意圖預(yù)測(cè)。

4.兩層圖：這方法有一個(gè)兩層圖來進(jìn)行信息嵌入，即兩次利用圖進(jìn)行聚合。

5.多頭：這方法利用多頭注意機(jī)制來穩(wěn)定學(xué)習(xí)。該方法在Sec中操作關(guān)系推理。4.2.2獨(dú)立并行多次，并連接所有聚合特征作為最終聚合特征。

6.Seq Graph：該方法首先在每個(gè)時(shí)間步對(duì)圖進(jìn)行關(guān)系推理，然后將聚合圖序列饋送到RNN中進(jìn)行時(shí)間處理。作為比較，我們的方法首先將每個(gè)節(jié)點(diǎn)的歷史特征序列嵌入到RNN中，然后使用每個(gè)節(jié)點(diǎn)在當(dāng)前時(shí)間步的隱藏狀態(tài)從RNN中進(jìn)行關(guān)系推理。

一些觀察：

1）HATN在交叉口和環(huán)島實(shí)現(xiàn)了最低誤差；

2） 由于缺乏時(shí)域信息，無時(shí)域方法在交叉口和環(huán)島場(chǎng)景中都是最差的；

3） GAT方法產(chǎn)生的錯(cuò)誤比HATN高得多，尤其是在環(huán)島場(chǎng)景（58%），這表明在關(guān)系推理中使用相關(guān)特征的必要性；

4） HATN優(yōu)于單智體方法，這意味著將所有車輛生成的目標(biāo)狀態(tài)納入損失函數(shù)，可以增加數(shù)據(jù)并鼓勵(lì)交互推理；

5） 兩層圖法是最接近HATN的方法，盡管根據(jù)訓(xùn)練記錄，它有嚴(yán)重的過擬合；

6） 多頭方法在交叉口場(chǎng)景中獲得了第二高精度，但在環(huán)島場(chǎng)景中的性能要差得多，仔細(xì)調(diào)整或搜索合適的頭數(shù)可以來改善；

7） 在交叉口和環(huán)島的情況下，Seq Graph方法是第二差的，這可能意味著對(duì)、過去的交互進(jìn)行復(fù)雜編碼很難幫助預(yù)測(cè)，但確實(shí)會(huì)使學(xué)習(xí)更加困難。

下表是意圖信號(hào)的影響：

如下表是基于規(guī)則和基于學(xué)習(xí)的方法和HATN的比較：