日前，Waymo发布了人工智能模型VectorNet，据称能显著提高其无人驾驶系统预测行人、骑行者和驾驶员行为的能力。与以前的方法相比，VectorNet可提供更精确的投影，同时需要更少的计算资源。

　　自动驾驶汽车必须在没有人类监督的情况下在充满挑战的环境中行驶，因此预测道路使用者的未来位置至关重要，否则，车辆无法正确应对各种环境。VectorNet旨在通过构建模型，对地图信息进行编码，从而帮助预测道路使用者的移动。与Cruise和Aurora一样，Waymo也会收集自动驾驶汽车行驶区域的精确到厘米的高清地图。这些地图与传感器数据配对，可为Waymo全栈无人驾驶系统Waymo Driver提供情境。但是这些地图只有被渲染成图像，并利用场景信息(如交通灯、车道等)编码后，才能集成到预测模型中。与需要计算昂贵进行地图像素渲染的卷积神经网络不同，VectorNet以矢量的形式(以数学方程为基础，由点、线和曲线组成的示意图)提取地图和传感器输入信息。

　　Waymo使用矢量，如点、多边形和曲线，来表示道路特征。具体而言，车道边界包含多个点，形成一个样条线(即曲线叠加在一起形成更长的连续曲线)。人行横道是由至少两个点组成的多边形，停车标志则由一个点表示。这些地理实体可以通过由点及其属性组成的折线(连接的线段)来近似表示，而移动的道路使用者可以根据其运动轨迹折线来估算。

　　图神经网络直接在图形或由节点和边缘组成的数学对象上运行。而在分层神经网络VectorNet中，每个矢量都被当作一个节点，地图数据以及道路使用者的轨迹将被传递给网络中的目标节点。与目标道路使用者对应的特定输出节点用于解码运动轨迹。

　　VectorNet首先获取折线级别的信息，然后将其传递给图形，以建模折线之间的高阶交互。VectorNet计算物体的未来轨迹，并捕捉矢量之间的关系，比如当车辆驶入十字路口或行人接近人行横道时，从而更好地预测道路使用者的行为。

　　为了进一步提升VectorNet的预测能力，Waymo训练系统从情境线索中学习，从而推断车辆附近可能发生的事情。在训练时，该公司研究人员随机遮挡地图的特征，例如十字路口的停车标志，并要求VectorNet完成丢失的元素。在将VectorNet用于Waymo的数据集和Argo AI的Argoverse的验证测试中，与卷积神经网络ResNet-18相比，其性能高出18%，同时平均仅使用29%的参数(变量)，消耗20%的计算资源。来源：盖世汽车