摘要

本文介绍了一种名为MSTF（Multiscale Transformer for Incomplete Trajectory Prediction）的端到端框架，专门用于处理自动驾驶系统中的不完整轨迹预测问题。该框架通过集成多尺度注意力头（MAH）和基于信息增量的模式自适应（IIPA）模块，有效地捕捉了轨迹序列的多尺度运动表示，并自适应地提取了时间步间的运动连续性表示，从而在存在缺失值的情况下提高了轨迹预测的准确性。实验结果表明，MSTF在处理不完整轨迹预测任务上超越了现有的最先进（SOTA）模型。

原理

MSTF框架的核心在于其多尺度注意力头（MAH）和基于信息增量的模式自适应（IIPA）模块。MAH通过多尺度注意力机制，从不同时间粒度并行地捕捉轨迹序列的多尺度运动表示，从而在不同尺度上建模运动的全局依赖关系，减轻了缺失值对轨迹预测的负面影响。IIPA模块则通过分析轨迹中的缺失模式，自适应地计算不同时间步的信息增量，并基于此建模时间步间的运动连续性表示，指导MSTF输出与运动趋势一致的预测。

流程

MSTF的工作流程首先是通过随机生成序列掩码矩阵，将完整轨迹数据转换为不完整轨迹。然后，不完整轨迹被输入到具有不同时间粒度的多个注意力头中，以提取多尺度运动表示。接着，基于序列掩码矩阵和预定义的填充掩码矩阵，进行信息增量分析，以获得时间步间的连续性表示。最后，结合多尺度运动表示和连续性表示，未来轨迹解码器输出不完整轨迹的预测结果。

应用

MSTF框架在自动驾驶系统中的轨迹预测任务中具有广泛的应用前景。通过有效处理轨迹数据中的缺失值，MSTF能够提高车辆在复杂交通环境中的行为理解和路径规划能力，从而增强自动驾驶系统的安全性和效率。未来，MSTF有望进一步结合高清晰度地图信息，提升在复杂场景下的轨迹预测性能。