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、可遷移和可適應的駕駛本質(zhì)。通過模仿人類在駕駛過程中的認知模型和語義理解，HATN，一個分層框架，為多智體密集交通環(huán)境的駕駛行為生成高質(zhì)量、可遷移和可適應的預測。這個分層方法由高級別意圖識別策略和低級軌跡生成策略組成。其中定義一種新的語義子任務，并給出每個子任務的通用狀態(tài)表示。有了這些技術，分層結(jié)構可以在不同的駕駛場景中遷移。

此外，該模型通過在線適應模塊捕捉個人和場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)島的軌跡預測任務展示該算法的性能。

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，并構造語義圖（Semantic Graph，SG）。在SG中，定義動態(tài)插入?yún)^(qū)域（Dynamic Insertion Areas，DIA）為圖形的節(jié)點，自車可以選擇插入其中。

2） 高級別的語義圖網(wǎng)絡（Semantic Graph Network，SGN）以SG為輸入，負責對車輛之間的關系進行推理，并預測單個車輛的意圖，例如插入哪個區(qū)域和相應的目標狀態(tài)。

3） 低級別編解碼網(wǎng)絡（Encoder Decoder Network，EDN）接收每輛車的歷史動態(tài)和意圖信號，并預測其未來軌跡。

4） 在線適應（OA）模塊根據(jù)歷史預測誤差在線適應EDN的參數(shù)，該誤差捕捉個體和場景特定的行為。

如圖是HATN的方框圖：

下表正式闡明HATN每個模塊的輸入和輸出：

關于各個模型的描述如下：

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

提取的DIA是一個動態(tài)區(qū)域，可以由自智體在路上插入或進入。每個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側(cè)邊界組成。如圖是DIA提取和SG構建過程：當其他車輛的車道參考線（通過Dynamic Time Warping 算法確認）與自車的車道參考線交叉時，基于沖突點，提取DIA并將其視為節(jié)點來構建SG。

為了推斷任意兩個節(jié)點之間的關系，受Graph Attention Network（GAN）的啟發(fā)，設計一個基于注意的關系推理層。

一旦高級別策略決定了要去哪里，低級別策略就負責通過更精細粒度處理信息來實現(xiàn)這一目標，其從分層設計中得到好處：

1）學習被簡化，因為車輛只需要關心自己的動力學，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） 該策略僅為達到目標（獎勵隱藏）而優(yōu)化，這是可控和可解釋的，因為不同措施的效果可以更好地驗證；

3） 學習的策略可以在不同的場景中轉(zhuǎn)換和重用。

在實踐中，來自高級別策略的預測意圖信號本身可能攜帶來自高層策略或數(shù)據(jù)分布的誤差方差。實證發(fā)現(xiàn)，最佳性能表現(xiàn)在：

1）在Frenet坐標下；

2）包括速度和偏航等輸入特征；

3）應用增量預測和位置對齊等表示技巧；

4）在輸入特征中添加目標狀態(tài)和解碼步驟等意圖信號。

不同的駕駛場景也不可避免地會產(chǎn)生額外的行為變化。因此，利用在線適應（基于卡爾曼濾波器）將定制的個人和場景模式注入到模型中。在線適應的關鍵點是，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)以更好地適應個人或場景。

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

如下是3個實驗場景：

1） 自車如何與其他車輛交互以通過一個共同沖突點（一次交互）；

2） 自車如何與其他車輛互動，以通過一系列沖突點（一系列互動）；

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

場景：一次交互場景：一系列交互場景：可遷移交互

下兩個表是在十字路口和環(huán)島場景中HATN和其他6種方法的比較：

1.無時域：該方法不考慮歷史信息，即只考慮當前時間步長t的信息。

2.GAT：這種方法使用絕對特征來計算節(jié)點之間的關系，而不是使用相對特征。這種方法對應于原始的圖形注意網(wǎng)絡（GAN）。

3、單智體：該方法只考慮自車意圖預測的損失，不考慮其他車輛的意圖預測。

4.兩層圖：這方法有一個兩層圖來進行信息嵌入，即兩次利用圖進行聚合。

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

6.Seq Graph：該方法首先在每個時間步對圖進行關系推理，然后將聚合圖序列饋送到RNN中進行時間處理。作為比較，我們的方法首先將每個節(jié)點的歷史特征序列嵌入到RNN中，然后使用每個節(jié)點在當前時間步的隱藏狀態(tài)從RNN中進行關系推理。

一些觀察：

1）HATN在交叉口和環(huán)島實現(xiàn)了最低誤差；

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

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

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

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

6） 多頭方法在交叉口場景中獲得了第二高精度，但在環(huán)島場景中的性能要差得多，仔細調(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、過去的交互進行復雜編碼很難幫助預測，但確實會使學習更加困難。

下表是意圖信號的影響：

如下表是基于規(guī)則和基于學習的方法和HATN的比較：