蘑菇車聯論文入選IEEE 軌跡預測模型可提高軌跡預測的泛化能力

近日，蘑菇車聯提交的軌跡預測論文被IEEE Transactions on Intelligent Vehicles（IEEE TIV）正式錄用。這是蘑菇車聯軌跡預測算法今年第二次獲得頂級學術期刊IEEE認可。 IEEE TIV是全世界第一份智能車專業學術期刊，目前已躋身《期刊引用報告》（Journal Citation Reports, JCR）Q1區，2023年，該期刊位列IEEE所有期刊第六位。與此同時，IEEE TIV 在控制與優化領域121種期刊中排名第3位；在汽車工程領域115種期刊中排名第6。

【蘑菇車聯論文入選IEEE】 本次由蘑菇車聯與復旦大學類腦人工智能科學與技術研究院共同撰寫的論文提出，軌跡預測模型Lane Transformer++可以提高軌跡預測的泛化能力，讓自動駕駛車輛更快適應新環境。

軌跡預測對自動駕駛車輛以及自行車、行人等交通參與者的安全至關重要，近年來，許多軌跡預測模型被提出，但大多數模型都沒有考慮泛化能力。如果泛化能力不夠，同時疊加速度、道路結構和交通規則的差異，就會導致模型偏差及預測性能下降。這就意味著，一輛自動駕駛汽車能在武漢的街道上安全行駛，到了北京可能就會失去“準頭”。

在自動駕駛大規模落地的過程中，自動駕駛車輛不可能進入一座新城市就更改一次預測模型，也因此，軌跡預測模型的領域泛化成為亟需解決的關鍵問題。

蘑菇車聯將領域泛化的難點歸因于兩個要素：速度和環境，“Lane Transformer++”的兩個加號分別代表速度問題和環境問題。

為了解決速度差異對軌跡預測模型帶來的影響，蘑菇車聯基于模型軌跡生成多層感知的速度細化模塊，用以減輕速度偏差；針對環境帶來的變量，蘑菇車聯利用自蒸餾技術進一步提高模型對陌生環境的適應能力。

在Argoverse和INTERACTION數據集上的全面評估表明，Lane Transformer++能夠顯著提高預測性能，特別是在交互數據集上，Lane Transformer++性能最為領先。此外，該模型還可以作為大多數現有軌跡預測模型的插件，提高軌跡預測模型的整體泛化能力。

蘑菇車聯匯聚了自動駕駛領域頂尖的技術人才，未來將持續在前沿技術領域不斷突破，提升技術核心競爭力，助力自動駕駛技術規?；瘧?。

審核編輯：彭菁