Lane-Aware Graph Attention Network for Multi-Vehicle Trajectory Prediction in Expressway Merge Zones

Resumo Técnico: Rede de Atenção em Grafos Consciente de Faixa para Previsão de Trajetória de Múltiplos Veículos em Zonas de Fusão de Rodovias

Declaração do Problema
A previsão precisa de trajetórias de múltiplos veículos é crítica para a tomada de decisão autônoma, particularmente em zonas de fusão e divergência de rodovias, onde as estruturas de interação são geometricamente distintas e complexas. Modelos de previsão baseados em grafos existentes são predominantemente desenvolvidos e validados em trechos principais de rodovias utilizando conjuntos de dados de câmeras fixas, como o NGSIM. Esses modelos frequentemente falham em abordar as topologias de interação específicas das zonas de fusão. Além disso, protocolos de avaliação padrão dependem exclusivamente de métricas de erro de deslocamento (ADE, FDE), deixando as consequências de segurança das trajetórias previstas não quantificadas. Existe uma lacuna significativa na literatura quanto à generalização de modelos treinados em dados com erros de medição conhecidos (como o NGSIM) para novos ambientes, e à falta de avaliação por meio de medidas de segurança substitutas (SSM) na previsão de trajetória.

Metodologia
O artigo propõe uma Rede de Atenção em Grafos Consciente de Faixa (LA-GAT) projetada para codificar interações veiculares dentro de grafos de cena dinâmicos. A metodologia envolve quatro componentes principais:

1. Construção de Grafo de Cena Dinâmico: Em cada passo de tempo, a cena de tráfego é representada como um grafo direcionado onde os nós são veículos e as arestas representam influência. As arestas são estabelecidas com base em:
   • Proximidade: Um limiar derivado do percentil 95 das distâncias interveiculares observadas.
   • Restrições Estruturais: Registros explícitos de líder-seguidor e arestas obrigatórias para veículos em faixas adjacentes dentro de uma separação longitudinal de ±10 m, para garantir que pares de conflito de fusão sejam sempre representados.
2. Mecanismo de Atenção Consciente de Faixa: O modelo utiliza um viés de atenção treinável de relação de faixa. Antes do cálculo da atenção, o recurso de relação de faixa (mapeando para mesma, esquerda, direita ou fusão) é modificado por um vetor escalar treinável. Este mecanismo é inicializado para atribuir um viés positivo especificamente às relações de "fusão", priorizando estruturalmente interações de conflito de fusão desde o início do treinamento.
3. Arquitetura:
   • Codificador Temporal: Um LSTM bidirecional processa sequências de estados históricos de 30 quadros (3 segundos) (posição, velocidade, aceleração, ID de faixa normalizado, sinalizador de mudança de faixa) para produzir vetores de contexto de movimento de 128 dimensões.
   • Atenção em Grafos: Duas camadas GATv2 empilhadas agregam informações de vizinhança usando recursos de aresta modificados pelo viés de faixa.
   • Decodificador: Três cabeças MLP independentes preveem parâmetros gaussianos bivariados para horizontes de 1s, 3s e 5s.
4. Protocolo de Transferência entre Conjuntos de Dados:
   • Pré-treinamento: O modelo é pré-treinado nos conjuntos de dados NGSIM US-101 e I-80 brutos e não filtrados. Nenhum filtro de qualidade é aplicado aos registros de líder-seguidor ou valores de intervalo para avaliar o desempenho sob condições de qualidade de dados do mundo real.
   • Ajuste Fino: O codificador BiLSTM é congelado, enquanto as camadas GATv2 e o decodificador são ajustados finamente em dados de trajetória UTE SQM-W-1 capturados por UAV de uma área de fusão de rodovia chinesa.
   • Avaliação: O modelo é avaliado no conjunto de dados UTE SQM-W-2 retido (condições zero-shot e ajustadas finamente).

Principais Contribuições

1. Modelo LA-GAT: Introdução de uma rede de atenção em grafos com um viés treinável de relação de faixa que prioriza explicitamente interações de conflito de fusão durante o treinamento.
2. Protocolo de Transferência entre Conjuntos de Dados: Um fluxo de trabalho inovador envolvendo pré-treinamento em dados NGSIM brutos e ajuste fino em dados de UAV de alta resolução (UTE SQM), marcando a primeira aplicação de dados drone-BEV de rodovias chinesas à previsão de trajetória baseada em GAT.
3. Análise de Generalização em Dados Brutos: Uso deliberado de dados NGSIM não filtrados para caracterizar os limites de generalização e a degradação de desempenho causada por erros de medição (por exemplo, IDs de líder inválidos), abordando diretamente questões de sensibilidade à qualidade de dados identificadas em benchmarks anteriores.
4. Métricas de Avaliação Expandidas: Extensão da avaliação além dos erros de deslocamento para incluir Medidas de Segurança Substitutas (SSM): taxas de violação de Tempo até Colisão (TTC), taxas de excedência de Taxa de Deceleração para Evitar Colisão (DRAC) e taxas de colisão calculadas a partir de posições previstas absolutas reconstruídas.

Resultados

• Precisão de Deslocamento: O ajuste fino em dados de UAV reduziu significativamente a lacuna de transferência entre conjuntos de dados. No conjunto de dados SQM-W-2 retido, o modelo ajustado finamente alcançou um Erro Médio de Deslocamento (ADE) de 0,865 m em 1s e 2,518 m em 3s. Isso representa uma redução de aproximadamente 79% e 77%, respectivamente, em comparação com a linha de base apenas NGSIM zero-shot (4,125 m e 10,779 m).
• Desempenho NGSIM: No conjunto de testes NGSIM, o modelo exibiu altas taxas de erro (ADE de 17,39 m em 1s) e altas taxas de violação de SSM. Os autores atribuem isso ao uso de dados brutos e não filtrados contendo registros de interação corrompidos, confirmando que erros de medição nos dados de treinamento limitam diretamente a generalização do modelo.
• Métricas de Segurança: O modelo ajustado finamente demonstrou taxas menores de violação de TTC e excedência de DRAC no horizonte de 1s em comparação com a linha de base zero-shot, sugerindo que a proximidade às posições reais dos veículos reduz detecções espúrias de quase-acidentes. No entanto, altas taxas de violação persistiram em horizontes mais longos (por exemplo, violação de TTC aumentando de 56,74% em 1s para 84,84% em 5s), refletindo a incerteza inerente ao comportamento humano de aceitação de lacunas em zonas de fusão, e não apenas erro do modelo.

Significado e Alegações
O artigo alega que o ajuste fino informado por drones é essencial para preencher a lacuna entre modelos treinados em conjuntos de dados legados, propensos a erros, e aplicações reais em zonas de fusão. O estudo demonstra que, embora o pré-treinamento em dados NGSIM brutos forneça uma linha de base, as diferenças estruturais e os erros de medição nesse conjunto de dados impedem uma transferência zero-shot eficaz para geometrias de rodovias chinesas.

Os autores enfatizam que a rápida degradação da precisão da previsão ao longo do tempo (de 0,865 m em 1s para 5,034 m em 5s) e as elevadas taxas de violação de segurança em horizontes mais longos não são meramente limitações do modelo, mas refletem a incerteza cumulativa inerente ao comportamento humano de aceitação de lacunas em pontos de fusão. O estudo postula que, uma vez que um veículo em fusão se compromete com uma lacuna, sua trajetória torna-se fortemente condicionada a reações não determinísticas dos veículos da via principal, limitando fundamentalmente o horizonte de previsibilidade nessas zonas.

Limitações Reconhecidas pelos Autores

• O termo de penalidade de segurança TTC foi definido como zero durante o treinamento devido aos custos computacionais ($O(n^2)$) em hardware de CPU.
• Nenhum estudo de ablação (por exemplo, velocidade constante, apenas LSTM, Social LSTM) foi conduzido para isolar a contribuição específica do mecanismo de atenção em grafos e do viés consciente de faixa.
• O estudo não aplicou filtro de qualidade aos dados de pré-treinamento NGSIM para criar uma linha de base "limpa", embora essa tenha sido uma escolha deliberada para testar a generalização em condições brutas.