Resumo Técnico: LAMP (Lane-Aligned Motion Primitives) para Predição de Trajetória Viável

1. Definição do Problema

A previsão de movimento é um componente crítico para sistemas de direção autônoma, tendo a tarefa de prever as trajetórias estocásticas futuras de agentes circundantes com base em estados históricos e no contexto do mapa. Embora os preditores existentes minimizem efetivamente erros de deslocamento padrão (ex: ADE, FDE), eles frequentemente falham em garantir que as predições multimodais adiram à topologia das faixas.

As abordagens atuais dependem tipicamente de priors de intenção pré-definidos, como âncoras de trajetória ou pontos de destino, que são frequentemente projetados independentemente de contextos de cena específicos. Consequentemente, esses priors agnósticos à cena geram frequentemente trajetórias estruturalmente inviáveis, particularmente para modos de menor probabilidade. Essas violações de restrições físicas e lógicas (ex: predições fora da via ou transições de faixa impossíveis) tornam o conjunto de predição não confiável para módulos de planejamento subsequentes de segurança crítica, que devem avaliar riscos e garantir uma tomada de decisão segura.

2. Metodologia

Os autores propõem o LAMP (Lane-Aligned Motion Primitives), um framework de previsão de topologia-consciente projetado para ancorar predições multimodais a primitivas de movimento estruturadas e alinhadas à topologia das faixas. O framework é construído sobre a arquitetura Motion Transformer (MTR) dentro da plataforma UniTraj e consiste em três componentes principais:

A. Consultas de Intenção Discretas via VQ-VAE

Em vez de modelar intenções de direção como endpoints estáticos ou variáveis latentes contínuas, o LAMP formula a intenção como um conjunto discreto de consultas aprendíveis usando um Autoencoder Variacional Quantizado Vetorialmente (VQ-VAE).

• Processo de Aprendizado: Um VQ-VAE baseado em Quantização Vetorial Não-Saturante (NSVQ) é treinado em trajetórias de movimento coletadas. Um encoder mapeia trajetórias de verdade fundamental (ground-truth) para um espaço latente, que é quantizado para o vetor de código mais próximo em um codebook aprendível. Um decoder reconstrói esses códigos em protótipos de trajetória, referidos como primitivas de movimento.
• Formação de Consultas: Cada código no codebook discreto é decodificado em uma primitiva de movimento. Uma consulta de intenção é então formada pela concatenação do embedding do código com um termo de ancoragem espacial derivado do endpoint da primitiva. Esta formulação captura dinâmicas espaço-temporais ricas e padrões de condução recorrentes (ex: variações de velocidade em caminhos retos ou diferentes curvaturas para curvas) que métodos baseados apenas em endpoints costumam perder.

B. Seletor de Intenção Consciente de Viabilidade

Para garantir que as hipóteses geradas sejam física e logicamente viáveis, o LAMP introduz um seletor de intenção guiado pela topologia da faixa que opera antes da etapa final de decodificação.

• Mecanismo: O seletor avalia os $K$ primitivas de movimento decodificadas a partir das consultas de intenção. Ele utiliza um prior de topologia de faixa, construído através da travessia da conectividade de faixas do HD-map desde a pose atual do agente para identificar faixas alcançáveis.
• Pontuação: Uma função de pontuação de viabilidade calcula a distância entre cada hipótese e o conjunto de faixas alcançáveis, gerando uma distribuição de professor suave (soft teacher distribution). O seletor é treinado para corresponder a esta distribuição, filtrando efetivamente consultas de intenção inalcançáveis ou fora da via.
• Seleção: Apenas as top-$L$ intenções viáveis são retidas e encaminhadas ao decoder Transformer. Isso evita que hipóteses inviáveis contaminem o contexto de atenção, garantindo que o conjunto de predição final consista em trajetórias diversas, porém consistentes com a topologia.

C. Pipeline de Treinamento

O framework emprega uma estratégia de treinamento de duas etapas:

1. Estágio 1: O VQ-VAE baseado em NSVQ é treinado para aprender o codebook discreto de consultas de intenção e primitivas de movimento. O codebook e o decoder são então congelados.
2. Estágio 2: O backbone de previsão (MTR) e o seletor de intenção são treinados de ponta a ponta. A perda total combina a perda padrão de log-verossimilhança negativa (para o modo de melhor correspondência) com uma perda auxiliar que minimiza a divergência de Kullback-Leibler entre as predições do seletor e o prior de topologia de faixa.

3. Principais Contribuições

O artigo descreve três contribuições primárias:

1. Framework LAMP: Um framework de previsão de movimento consciente da topologia que melhora a confiabilidade dos conjuntos de predição multimodais combinando primitivas de movimento estruturadas com seleção de intenção consciente de viabilidade.
2. Formulação de Intenção Discreta: Uma formulação inovadora de intenção de direção como consultas discretas via VQ-VAE, onde cada consulta decodifica para um protótipo de trajetória que captura dinâmicas espaço-temporais ricas além de simples endpoints.
3. Seleção Guiada pela Topologia de Faixa: A introdução de um seletor de intenção que filtra hipóteses inviáveis com base na topologia da faixa, melhorando assim as métricas de viabilidade e diversidade enquanto preserva a precisão de deslocamento.

4. Resultados Experimentais

Os autores avaliaram o LAMP no Argoverse 2 Motion Forecasting Dataset, comparando-o com baselines fortes incluindo MTR, Wayformer, Forecast-MAE, EMP e Autobot.

• Acurácia: O LAMP atinge uma acurácia de predição comparável aos baselines de estado da arte em métricas de deslocamento padrão (b-minADE6, b-minFDE6).
• Viabilidade: O modelo demonstra melhorias substanciais em confiabilidade estrutural. Especificamente, ele supera os baselines em DAC (Consistência de Área Dirigível) e FR (Taxa de Viabilidade, que inclui restrições de regras de trânsito). A melhoria no FR é particularmente notável, indicando uma redução em movimentos que violam regras de trânsito.
• Diversidade: O LAMP melhora as métões de diversidade (APD6, FPD6) mantendo a viabilidade. Os autores introduzem DwF (Diversidade enquanto Viável), uma métrica que mede a diversidade apenas sobre o subconjunto viável, onde o LAMP também mostra ganhos significativos.
• Análise Qualitativa: Visualizações em cenários de interseção mostram que, enquanto os baselines frequentemente se concentram em um único modo dominante ou atribuem confiança a trajetórias fora da via, o LAMP gera manobras diversas e plausíveis que aderem estritamente à topologia da faixa.

5. Significância e Alegações

O artigo afirma que o LAMP aborda uma lacuna crítica na percepção de direção autônoma: o compromisso entre acurácia de predição e viabilidade estrutural. Ao modelar explicitamente as intenções de direção como primitivas de movimento aprendíveis e filtrá-las através de um prior de topologia de faixa, o LAMP fornece um conjunto de predição multimodal confiável.

A significância reside na capacidade do framework de gerar hipóteses que não são apenas diversas (cobrindo várias intenções de direção), mas também relevantes para o planejador (aderindo a restrições físicas e lógicas). Isso garante que os módulos de planejamento subsequentes recebam um conjunto de trajetórias que podem ser avaliadas com segurança para risco, reduzindo a probabilidade de falhas de planejamento causadas por predições inviáveis. Os autores observam que, embora o decodificação adaptável ao mapa via LoRA tenha sido explorada para aumentar ainda mais a viabilidade, isso resultou em um colapso da diversidade multimodal; assim, o modelo final prioriza o equilíbrio entre viabilidade e diversidade sem condicionamento precoce ao mapa.