基于异质边增强时空图注意力网络的自动驾驶换道轨迹规划

轨迹规划仍然是自动驾驶技术大规模应用所面临的关键难题之一。例如，自动驾驶中的换道轨迹规划算法通常被构建为一个针对代价函数的优化过程。然而，为适应多样化的交通场景而手动调整代价函数中的特征权重，是一项极具挑战性的任务。针对这一问题，提出了一种基于异质边增强时空图注意力网络(Heterogeneous Edge-enhanced Spatial-Temporal Graph ATtention network, HEST-GAT)的新型换道轨迹规划方法。首先，采用逆强化学习技术，从大量专家级换道示范中提取代价函数的特征权重向量，构建了一个专家级换道示范数据集。然后，将交通场景构建为一个异质有向图，其中，交通参与者的位置定义为节点属性，交通参与者间的相对位置作为边属性，交通参与者之间的关联类型则定义为边类型。边的属性和类型组合，形成了边的特征表示。为捕获交通场景中的空间和时间信息，采用HEST-GAT网络进行特征提取，并计算了各场景下代价函数的特征权重。接着构建了一个结合轨迹特征和特征权重的代价函数，并通过优化过程生成最终的换道轨迹规划。为验证所提出方法的实用性，在真实驾驶数据集上进行了多轮...