Prediction-Driven Motion Planning: Route Integration Strategies in Attention-Based Prediction Models

📄 arXiv: 2512.03756v1 📥 PDF

作者: Marlon Steiner, Royden Wagner, Ömer Sahin Tas, Christoph Stiller

分类: cs.RO

发布日期: 2025-12-03

备注: In Proceedings of the IEEE International Conference on Intelligent Transportation Systems (ITSC), Gold Coast, AUSTRALIA, 18-21 November 2025

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于注意力机制的预测模型，融合导航信息以提升自动驾驶车辆交互能力

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知 (Perception & SLAM)

关键词: 运动预测 运动规划 注意力机制 自动驾驶 导航信息

📋 核心要点

  1. 现有方法难以将导航目标融入运动预测，导致自动驾驶车辆难以进行合理的交互行为规划。
  2. 论文提出将自车规划路线和目标位姿融入基于注意力机制的运动预测模型，实现预测与规划的协同。
  3. 在nuPlan数据集上的实验表明，该方法能够有效提升运动预测和规划的性能，验证了预测驱动运动规划的潜力。

📝 摘要（中文）

本文研究了将导航信息融入基于注意力机制的运动预测模型，旨在增强自动驾驶车辆与交通参与者之间的交互。通过将自车规划路线和目标位姿整合到模型架构中，弥合了多智能体运动预测和基于目标的运动规划之间的差距。论文提出并在nuPlan数据集上评估了几种架构上的导航信息集成策略。实验结果表明，预测驱动的运动规划具有潜力，导航信息能够同时提升预测和规划任务的性能。代码已开源。

🔬 方法详解

问题定义：论文旨在解决自动驾驶场景下，如何将车辆的导航信息（例如规划路线和目标位姿）有效地融入到运动预测模型中，从而提升自动驾驶车辆与周围交通参与者交互的合理性和安全性。现有方法通常独立地进行运动预测和运动规划，忽略了两者之间的内在联系，导致预测结果与车辆的实际意图不一致，影响规划的有效性。

核心思路：论文的核心思路是将导航信息作为先验知识，融入到基于注意力机制的运动预测模型中。通过这种方式，模型可以更好地理解自车的意图，从而预测出更符合实际情况的交通参与者行为。这种预测结果能够反过来指导运动规划，使得规划出的轨迹更加合理和安全。

技术框架：整体框架包含三个主要部分：1) 环境感知模块，用于获取周围交通参与者的状态信息；2) 导航信息编码模块，用于将自车的规划路线和目标位姿编码成向量表示；3) 基于注意力机制的运动预测模块，该模块将环境感知信息和导航信息作为输入，预测未来一段时间内交通参与者的运动轨迹。论文重点研究了导航信息编码模块与运动预测模块的集成方式，提出了多种架构设计。

关键创新：论文的关键创新在于提出了多种将导航信息融入到基于注意力机制的运动预测模型中的架构策略。这些策略允许模型显式地利用自车的导航信息，从而提升了预测的准确性和合理性。与传统的运动预测方法相比，该方法能够更好地捕捉交通参与者的意图，并预测出更符合实际情况的运动轨迹。

关键设计：论文提出了多种导航信息集成策略，例如将导航信息直接拼接在输入特征中，或者通过注意力机制将导航信息融入到特征表示中。具体来说，导航信息包括自车规划路线上的关键点坐标和目标位姿。损失函数方面，论文采用了常用的轨迹预测损失函数，例如均方误差（MSE）或负对数似然（NLL）。网络结构方面，论文采用了基于Transformer的注意力机制，用于捕捉交通参与者之间的交互关系。

📊 实验亮点

论文在nuPlan数据集上进行了实验，验证了所提出方法的有效性。实验结果表明，通过将导航信息融入到运动预测模型中，可以显著提升预测的准确性和合理性。具体的性能提升数据在论文中给出，并与现有的运动预测方法进行了对比。实验结果还表明，不同的导航信息集成策略对预测性能的影响不同，需要根据具体的应用场景进行选择。

🎯 应用场景

该研究成果可应用于自动驾驶车辆的运动规划和决策控制，提升车辆在复杂交通环境下的安全性、效率和舒适性。通过更准确地预测其他交通参与者的行为，自动驾驶车辆可以更好地规划自身的行驶轨迹，避免碰撞，并实现更流畅的驾驶体验。此外，该技术还可应用于智能交通系统，例如交通流量预测和优化。

📄 摘要（原文）

Combining motion prediction and motion planning offers a promising framework for enhancing interactions between automated vehicles and other traffic participants. However, this introduces challenges in conditioning predictions on navigation goals and ensuring stable, kinematically feasible trajectories. Addressing the former challenge, this paper investigates the extension of attention-based motion prediction models with navigation information. By integrating the ego vehicle's intended route and goal pose into the model architecture, we bridge the gap between multi-agent motion prediction and goal-based motion planning. We propose and evaluate several architectural navigation integration strategies to our model on the nuPlan dataset. Our results demonstrate the potential of prediction-driven motion planning, highlighting how navigation information can enhance both prediction and planning tasks. Our implementation is at: https://github.com/KIT-MRT/future-motion.