MANTRA：用于多轨迹预测的内存增强网络

自动驾驶车辆预计将在包含多个独立且不合作智能体的复杂场景中行驶。在这样的环境中实现安全导航的路径规划，不能仅依赖于对其他智能体当前位置与运动状态的感知，而必须进一步预测其在足够远未来的行为状态。本文针对多模态轨迹预测问题，提出一种基于记忆增强神经网络（Memory Augmented Neural Network）的方法。该方法利用循环神经网络（RNN）学习历史与未来的轨迹嵌入表示，并借助一种关联式外部记忆模块来存储和检索这些嵌入信息。在预测阶段，系统通过解码记忆中存储的未来编码，并结合观测到的历史轨迹信息，实现轨迹预测。为增强场景理解能力，我们在解码过程中引入语义场景地图，通过在该地图上训练卷积神经网络（CNN）来编码场景先验知识。为控制记忆模块的持续增长，我们设计了一种基于现有嵌入预测能力的写入控制器，从而有效限制记忆容量的无序膨胀。实验结果表明，所提方法能够原生地实现多模态轨迹预测，在三个公开数据集上均取得了当前最优的性能表现。此外，得益于记忆模块的非参数化特性，我们进一步验证了该系统在训练完成后仍可通过持续吸收新出现的轨迹模式实现性能的持续优化与自我提升。