盖世汽车讯 准确实时预测附近车辆的运动或行人的未来轨迹对于安全自动驾驶至关重要。据外媒报道，由香港城市大学（City University of Hong Kong，CityU）领导的研究团队最近开发出全新人工智能系统，可以提高密集交通中的预测准确性，并将计算效率提高85％以上，进一步增强自动驾驶汽车的安全性。

图片来源：香港城市大学

领导这项研究的CityU计算机科学系汪建平教授解释了自动驾驶中精确、实时预测的至关重要性，并强调即使是最小的延迟和错误也可能导致灾难性事故。

然而，现有的行为预测解决方案通常难以正确理解驾驶场景或预测效率低下。通常情况下，当车辆及其观察窗向前移动时，这些解决方案可对周围物体和环境的最新位置数据进行重新整理和编码，即使最新的位置数据与之前的数据基本重叠，从而导致实时在线预测中出现冗余计算和延迟。

图片来源：香港城市大学

为了克服上述问题，汪教授及其团队提出突破性的轨迹预测模型，“QCNet”，理论上可以支持流处理。该模型基于相对时空原理进行定位，赋予了预测模型“空间维度旋转平移不变性”、“时间维度平移不变性”等优良特性。

这两个属性使得从驾驶场景中提取的位置信息是唯一且固定的，无论观看者在观看驾驶场景时的时空坐标系如何。这种方法允许缓存和重用先前计算的坐标编码，从而使预测模型理论上能够实时运行。

该团队还将道路使用者、车道和人行横道的相对位置纳入人工智能模型中，以捕捉他们在驾驶场景中的关系和互动，这增强了对道路规则和多个道路使用者之间交互的理解，使模型能够生成无碰撞预测，同时也考虑到道路使用者未来行为的不确定性。

为了评估QCNet，该团队采用两个大规模的开源自动驾驶数据和来自美国不同城市的高清地图的集合“Argoverse 1”和“Argoverse 2”。这些数据集被认为是行为预测最具挑战性的基准，包含超过320,000个数据序列和250,000个场景。

在测试中，QCNet展示了预测道路使用者未来运动的速度和准确性，甚至可以进行长达六秒的长期预测。在Argoverse 1上的333种预测方法和Argoverse 2上的44种方法中排名第一。此外，QCNet将在线推理延迟从8ms降低到1ms，在涉及190名道路使用者和169张地图多边形的最密集交通场景中（例如车道和人行横道），效率提高了85%以上。

图片来源：香港城市大学

汪教授表示：“通过将这项技术集成到自动驾驶系统中，自动驾驶汽车可以有效地了解周围环境，更准确地预测其他用户的未来行为，做出更安全、更人性化的决策，为安全自动驾驶铺平道路。我们计划将这项技术应用于自动驾驶的更多应用，包括交通仿真和类人决策。”

该研究结果将整合至鸿海科技集团的自动驾驶系统中，以提升实时预测效率和自动驾驶安全性。