Resumen Técnico: LAMP (Primitivas de Movimiento Alineadas con Carriles) para la Predicción de Trayectorias Factibles

1. Planteamiento del Problema

La predicción de movimiento es un componente crítico en los sistemas de conducción autónoma, encargado de predecir las trayectorias estocásticas futuras de los agentes circundantes basándose en estados históricos y el contexto del mapa. Aunque los predictores existentes minimizan eficazmente los errores de desplazamiento estándar (por ejemplo, ADE, FDE), a menudo fallan al asegurar que las predicciones multimodales se adhieran a la topología de los carriles.

Los enfoques actuales dependen típicamente de un priori de intención predefinido, como anclas de trayectoria o puntos de destino, que a menudo se diseñan de forma independiente a contextos de escena específicos. En consecuencia, estos priors ajenos a la escena generan frecuentemente trayectorias estructuralmente infactibles, particularmente para los modos de menor probabilidad. Estas violaciones de las restricciones físicas y lógicas (por ejemplo, predicciones fuera de la vía o transiciones de carril imposibles) hacen que el conjunto de predicciones sea poco fiable para los módulos de planificación posteriores de seguridad crítica, los cuales deben evaluar riesgos y garantizar una toma de decisiones segura.

2. Metodología

Los autores proponen LAMP (Lane-Aligned Motion Primitives), un marco de pronóstico sensible a la topología diseñado para anclar las predicciones multimodales a primitivas de movimiento estructuradas alineadas con la topología de los carriles. El marco se basa en la arquitectura Motion Transformer (MTR) dentro de la plataforma UniTraj y consta de tres componentes principales:

A. Consultas de Intención Discretas mediante VQ-VAE

En lugar de modelar las intenciones de conducción como puntos finales estáticos o variables latentes continuas, LAMP formula la intención como un conjunto discreto de consultas aprendibles utilizando un Autoencoder Variacional de Cuantización Vectorial (VQ-VAE).

• Proceso de Aprendizaje: Se entrena un VQ-VAE basado en Cuantización Vectorial No Saturante (NSVQ) sobre trayectorias de movimiento recolectadas. Un codificador mapea las trayectorias de verdad de campo (ground-truth) en un espacio latente, el cual se cuantiza al vector de código más cercano en un libro de códigos (codebook) aprendible. Un decodificador reconstruye estos códigos en prototipos de trayectoria, denominados primitivas de movimiento.
• Formación de Consultas: Cada código en el libro de códigos discreto se decodifica en una primitiva de movimiento. Una consulta de intención se forma entonces concatenando la incrustación (embedding) del código con un término de anclaje espacial derivado del punto final de la primitiva. Esta formulación captura una rica dinámica espaciotemporal y patrones de conducción recurrentes (por ejemplo, variaciones de velocidad en caminos rectos o diferentes curvaturas en giros) que los métodos basados únicamente en puntos finales suelen omitir.

B. Selector de Intenciones Consciente de la Factibilidad

Para asegurar que las hipótesis generadas sean física y lógicamente factibles, LAMP introduce un selector de intenciones guiado por la topología de carriles que opera antes de la etapa de decodificación final.

• Mecanismo: El selector evalúa las $K$ primitivas de movimiento decodificadas a partir de las consultas de intención. Utiliza un prior de topología de carriles, construido mediante el recorrido de la conectividad de carriles del mapa HD desde la posición actual del agente para identificar carriles alcanzables.
• Calificación: Una función de calificación de factibilidad computa la distancia entre cada hipótesis y el conjunto de carriles alcanzables, generando una distribución de profesor suave (soft teacher distribution). El selector es entrenado para coincidir con esta distribución, filtrando eficazmente las consultas de intención inalcanzables o fuera de la vía.
• Selección: Solo se retienen y se forwardean las $L$ intenciones más factibles al decodificador Transformer. Esto evita que las hipótesis infactibles contaminen el contexto de atención, asegurando que el conjunto de predicción final consista en trayectorias diversas pero consistentes con la topología.

C. Pipeline de Entrenamiento

El marco emplea una estrategia de entrenamiento de dos etapas:

1. Etapa 1: El VQ-VAE basado en NSVQ se entrena para aprender el libro de códigos discreto de las consultas de intención y las primitivas de movimiento. Posteriormente, el libro de códigos y el decodificador se congelan.
2. Etapa 2: El esqueleto de pronóstico (MTR) y el selector de intenciones se entrenan de extremo a extremo (end-to-end). La pérdida total combina la pérdida estándar de log-verosimilitud negativa (para el modo con mejor ajuste) con una pérdida auxiliar que minimiza la divergencia de Kullback-Leibler entre las predicciones del selector y el prior de la topología de carriles.

3. Contribuciones Clave

El artículo describe tres contribuciones primarias:

1. Marco LAMP: Un marco de pronóstico de movimiento sensible a la topología que mejora la fiabilidad de los conjuntos de predicción multimodales combinando primitivas de movimiento estructuradas con una selección de intención consciente de la factibilidad.
2. Formulación de Intención Discreta: Una novedosa formulación de la intención de conducción como consultas discretas mediante un VQ-VAE, donde cada consulta decodifica un prototipo de trayectoria que captura ricas dinámicas espaciotemporales más allá de simples puntos finales.
3. Selección Guiada por la Topología de Carriles: La introducción de un selector de intenciones que filtra hipótesis infactibles basadas en la topología de los carriles, mejorando así las métricas de factibilidad y diversidad mientras se preserva la precisión del desplazamiento.

4. Resultados Experimentales

Los autores evaluaron LAMP en el Conjunto de Datos de Pronóstico de Movimiento Argoverse 2, comparándolo con bases sólidas que incluyen MTR, Wayformer, Forecast-MAE, EMP y Autobot.

• Precisión: LAMP logra una precisión de predicción comparable a las bases de estado del arte en métricas de desplazamiento estándar (b-minADE6, b-minFDE6).
• Factibilidad: El modelo demuestra mejoras sustanciales en la fiabilidad estructural. Específicamente, supera a las bases en DAC (Consistencia de Área Conducible) y FR (Tasa de Factibilidad, que incluye restricciones de reglas de tráfico). La mejora en FR es particularmente notable, lo que indica una reducción en los movimientos que violan las reglas de tráfico.
• Diversidad: LAMP mejora las métricas de diversidad (APD6, FPD6) manteniendo la factibilidad. Los autores introducen DwF (Diversidad mientras es Factible), una métrica que mide la diversidad solo sobre el subconjunto factible, donde LAMP también muestra ganancias significativas.
• Análisis Cualitativo: Las visualizaciones en escenarios de intersección muestran que, mientras las bases suelen concentrarse en un único modo dominante o asignan confianza a trayectorias fuera de la vía, LAMP genera maniobras diversas y plausibles que se adhieren estrictamente a la topología de los carriles.

5. Significado y Reivindicaciones

El artículo afirma que LAMP aborda una brecha crítica en la percepción de la conducción autónoma: el compromiso entre la precisión de la predicción y la factibilidad estructural. Al modelar explícitamente las intenciones de conducción como primitivas de movimiento aprendibles y filtrarlas a través de un prior de topología de carriles, LAMP proporciona un conjunto de predicción multimodal fiable.

La importancia radica en la capacidad del marco para generar hipótesis que no solo son diversas (cubriendo varias intenciones de conducción) sino también relevantes para el planificador (adhiriéndose a restricciones físicas y lógicas). Esto asegura que los módulos de planificación posteriores reciban un conjunto de trayectorias que pueden ser evaluadas de forma segura para la gestión de riesgos, reduciendo la probabilidad de fallos de planificación causados por predicciones infactibles. Los autores señalan que, aunque se exploró la decodificación adaptativa al mapa mediante LoRA para aumentar aún más la factibilidad, esto resultó en un colapso de la diversidad multimodal; por lo tanto, el modelo final prioriza el equilibrio entre la factibilidad y la diversidad sin un condicionamiento temprano al mapa.