.png){kind=icon}
返回
IPDM: Intent-Parameterized Dynamics Mamba for Efficient Multimodal Motion Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1109/tase.2026.3712034.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确、实时的运动预测对于自动驾驶车辆的安全运行至关重要。状态空间模型，如Mamba，能够以线性计算复杂度建模长距离依赖关系，降低序列建模的开销。然而，基于Mamba的运动预测方法仍然依赖Transformer风格的解码框架，其计算复杂度高，难以在复杂交通场景中满足实时性要求。为解决这一问题，本文提出了一种基于意图参数化动力学Mamba模型的多模态运动预测方法IPDM。首先，我们设计了解耦的意图-状态参数化模块，将多模态查询分解为意图查询和状态查询，构建特定的状态空间模型参数，并以线性计算复杂度生成多模态轨迹，从而降低解码阶段的计算复杂度。此外，针对Mamba解码框架内单时间尺度状态空间模型难以平衡长期记忆与瞬时机动响应的挑战，我们提出了双尺度控制扫描机制。该机制构建短期和长期流，并采用意图感知门控自适应融合来增强预测性能，同时保持线性解码特性。在Argoverse 1和Argoverse 2数据集上的实验结果表明，IPDM在推理速度和参数效率方面达到最先进水平，在超越大多数现有方法的同时，将参数数量减少了40%以上。实践者注意事项—在自动驾驶系统中，车辆必须在极短时间内确定未来几秒内周围道路使用者的可能轨迹，以支持路径规划、障碍物避让和安全决策。然而，在实际部署中，运动预测模块不仅要保证准确性，还必须满足车载边缘硬件对计算资源和推理延迟的严格约束。虽然许多现有的多模态预测方法性能良好，但其解码过程通常涉及高计算开销，难以在复杂交通场景中平衡精度和实时性。这项工作由解决这一工程挑战的动机驱动。本文提出的方法将“车辆可能如何移动”的建模与“轨迹如何随时间演变”的建模分离。通过这种方式，它降低了解码阶段的计算负担，同时保持多模态预测能力，从而增强了该方法在资源受限平台上的部署潜力。实验结果表明，该方法在减少模型参数和推理开销的同时保持了强大的预测性能。需要注意的是，该方法主要在标准公共数据集上进行了验证；对于实际部署，必须进一步考虑感知噪声、地图误差和极端交通条件的影响。除自动驾驶外，该方法预计可应用于配送机器人、路侧智能设备以及其他需要快速运动预测的嵌入式自动化系统。
Keyword:
Multimodal motion forecasting
autonomous driving
state space model
mamba
intent-state decoupling
dual-scale temporal modeling
期刊
IF:
6.4
论文数:
5.1K
被引数:
1.6W
机构
引用论文
RM2Occ: Re-Projection Multi-Task Multi-Sensor Fusion for Autonomous Driving 3D Object Detection and Occupancy PerceptionRM2Occ：用于自动驾驶3D目标检测和占用感知的再投影多任务多传感器融合
PREAI
分享收藏Dynamic embedding-based deep reinforcement learning for heterogeneous capacitated VRPs with unloading time constraints基于动态嵌入的深度强化学习在具有卸载时间约束的异构容量车辆路径问题中的应用
PREAI
分享收藏Yang, J.; Liu, Y.; Wang, W.; Wu, H.; Chen, Z.; Ma, X. PATNAS: A Path-Based Training-Free Neural Architecture Search. IEEE Trans. Pattern Anal. Mach. Intell. 2024, 47, 1484–1500. [Google Scholar] [CrossRef]Yang, J.; Liu, Y.; Wang, W.; Wu, H.; Chen, Z.; Ma, X. PATNAS: 一种基于路径的无训练神经网络架构搜索方法。IEEE Trans. Pattern Anal. Mach. Intell. 2024, 47, 1484–1500. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏
分享收藏Trajectory prediction for autonomous driving: Progress, limitations, and future directions自动驾驶轨迹预测：进展、局限性与未来方向Information Fusion
OAAI
Information FusionIF15.5
OAAI分享收藏
查看更多内容