科研速递 | NEST:面向自动驾驶的神经调节小世界超图轨迹预测模型

这是一篇AAAI 2025收录的有关NEST模型的文献，为自动驾驶轨迹预测带来全新突破。它融合小世界网络、超图与神经调节机制，高效捕捉车辆局部与长程交互，适配动态复杂交通场景。在nuScenes、MoCAD、HighD等真实数据集上，NEST实现预测精度与推理速度双优，显著优于现有方法，为自动驾驶安全高效运行提供强支撑，是复杂路况轨迹预测的优质方案。

原文链接：https://ojs.aaai.org/index.php/AAAI/article/view/32064

文献介绍：

本文聚焦自动驾驶轨迹预测难题，提出神经调节小世界超图模型NEST。传统模型难处理实时性、交通非线性与密集交互等问题，NEST整合小世界网络与超图，兼顾局部与远程车辆关联，搭配神经调节器适配动态路况。模型输入历史轨迹与高清地图，输出多模态概率轨迹，经多真实数据集验证，泛化性与实用性突出，助力自动驾驶系统更可靠。

传统轨迹预测模型仅使用普通图结构，只能建模一对一交互，难以捕捉交通中远程车辆的链式影响与群体行为。NEST首次将小世界网络与超图结合，利用超边高效表示多智能体群组关系，并通过潜在连接捕获长程交互，从结构上突破传统图模型的表达局限，让交通交互建模更全面、更高效。

该方法以Newman–Watts小世界模型为核心，首先对交通场景中的所有智能体进行特征编码，将智能体表示为超图顶点，并计算顶点与超边之间的聚类系数矩阵，以此刻画智能体之间的聚集程度，进而完成初始超边关联判定，区分确定连接与潜在连接。依据公式如下：

随后启动神经调节模块，基于历史轨迹与密度特征，通过两层MLP映射与Sigmoid激活，动态生成阈值α和连接概率β。最后筛选最终超边，形成超边集合：

构建出同时包含局部强交互与远程潜在连接的小世界超图，实现交通流中复杂交互关系的高效建模。

本步骤采用顶点到超边、超边到顶点的双向迭代池化策略，实现交互特征的深度提取。在顶点到超边阶段，先对同一超边连接的所有智能体特征进行加权聚合，得到聚合特征I_a，再分别通过个性编码器、意图编码器与意愿编码器提取关键信息。其中意图特征按以下公式进行计算：

最终融合得到群组特征：

在超边到顶点阶段，将群组信息回传给对应智能体，更新顶点特征。经过多轮迭代更新后，对所有顶点特征取平均得到全局交互特征，完整捕捉交通场景中群体交互、时序变化与意图关联。

该步骤先对高清地图信息进行编码，使用车道编码器提取道路拓扑、车道约束等关键环境特征，得到车道特征Fi。随后通过注意力机制将交互特征Fi与车道特征F_i进行加权融合，得到包含交互语义与环境信息的上下文特征F_c。在多模态预测阶段，以上下文特征F_c与原始智能体特征F_a作为输入，使用K个独立生成器对应K种驾驶意图模式，输出多组未来轨迹。每个时刻的轨迹按照拉普拉斯分布表示为：