準(zhǔn)確預(yù)測(cè)車輛未來運(yùn)動(dòng)是自動(dòng)駕駛系統(tǒng)面臨的一項(xiàng)關(guān)鍵挑戰(zhàn)，它既需要精確性，也需要計(jì)算效率。據(jù)外媒報(bào)道，迪肯大學(xué)（Deakin University）的Navneet Singh和Shiva Raj Pokhrel提出了一種利用道路場(chǎng)景固有結(jié)構(gòu)的新型預(yù)測(cè)方法來應(yīng)對(duì)這一需求。他們的團(tuán)隊(duì)開發(fā)了一種緊湊的模型，該模型預(yù)測(cè)的是車輛運(yùn)動(dòng)與預(yù)期運(yùn)動(dòng)的細(xì)微偏差，而非絕對(duì)位置，并且該模型在一個(gè)車道對(duì)齊的框架內(nèi)運(yùn)行。

圖片來源：ArXiv

這一創(chuàng)新系統(tǒng)利用獨(dú)特的量子啟發(fā)式技術(shù)組合，在標(biāo)準(zhǔn)基準(zhǔn)測(cè)試中取得了最先進(jìn)的性能，在兩秒的時(shí)間范圍內(nèi)顯著提高了車輛軌跡預(yù)測(cè)的準(zhǔn)確性和可靠性，這標(biāo)志著在更安全、更高效的自主導(dǎo)航方面邁出了重要一步。

預(yù)測(cè)自動(dòng)駕駛車輛軌跡

本研究旨在解決預(yù)測(cè)復(fù)雜環(huán)境中車輛及其他智能體未來運(yùn)動(dòng)的關(guān)鍵挑戰(zhàn)，這是安全可靠自動(dòng)駕駛的根本要求。精確的軌跡預(yù)測(cè)對(duì)于自動(dòng)駕駛車輛規(guī)劃行駛路線、避免碰撞以及應(yīng)對(duì)復(fù)雜場(chǎng)景至關(guān)重要。現(xiàn)有方法在建模復(fù)雜交互、進(jìn)行長(zhǎng)期預(yù)測(cè)、處理不確定性以及實(shí)現(xiàn)實(shí)時(shí)性能方面存在局限性。研究人員正在探索量子機(jī)器學(xué)習(xí)（QML）的潛力，以克服這些局限性，從而更高效地表示復(fù)雜數(shù)據(jù)、加速計(jì)算并提升模型容量。這項(xiàng)工作表明，QML有望提高軌跡預(yù)測(cè)系統(tǒng)的準(zhǔn)確性、魯棒性和泛化能力，為更安全、更高效的自動(dòng)駕駛車輛鋪平道路。除了自動(dòng)駕駛之外，這項(xiàng)研究還對(duì)機(jī)器人、物流、人體運(yùn)動(dòng)預(yù)測(cè)乃至基因組數(shù)據(jù)分析等領(lǐng)域具有重要意義，展現(xiàn)了QML技術(shù)在序列預(yù)測(cè)問題中的廣泛應(yīng)用前景。

量子車輛軌跡預(yù)測(cè)技術(shù)展示

研究人員率先提出了一種用于自動(dòng)駕駛的軌跡預(yù)測(cè)新方法，該方法采用了一種緊湊的混合量子-經(jīng)典架構(gòu)，旨在嚴(yán)格的計(jì)算約束下實(shí)現(xiàn)精確預(yù)測(cè)。研究團(tuán)隊(duì)將車道對(duì)齊殘差預(yù)測(cè)問題建模為量子序列建模問題，構(gòu)建了一個(gè)低深度混合量子神經(jīng)網(wǎng)絡(luò)（QNN），該網(wǎng)絡(luò)基于周圍車輛的九維狀態(tài)歷史進(jìn)行運(yùn)算。與經(jīng)典基線的嚴(yán)格比較表明，該方法在精度和校準(zhǔn)方面均有所提升。該方法首先對(duì)Waymo Open Motion數(shù)據(jù)集進(jìn)行廣泛的數(shù)據(jù)預(yù)處理，該數(shù)據(jù)集包含約10萬個(gè)駕駛場(chǎng)景。

該團(tuán)隊(duì)提取了車輛軌跡和高清地圖數(shù)據(jù)，并根據(jù)自動(dòng)駕駛車輛的歷史運(yùn)動(dòng)和地圖上下文預(yù)測(cè)其未來軌跡。關(guān)鍵步驟是將每個(gè)場(chǎng)景轉(zhuǎn)換到以車輛為中心的、車道對(duì)齊的坐標(biāo)系中，將車輛定位在原點(diǎn)，并將x軸與當(dāng)?shù)氐缆贩较驅(qū)R。該方法的核心在于量子編碼器，它將車輛的運(yùn)動(dòng)歷史壓縮成緊湊的表示。該編碼器使用九個(gè)量子比特實(shí)現(xiàn)了一種類似注意力機(jī)制的方法，通過單量子比特旋轉(zhuǎn)注入經(jīng)典數(shù)據(jù)。最終的系統(tǒng)能夠在有限的計(jì)算資源下提供經(jīng)過校準(zhǔn)的多假設(shè)輸出，滿足了自動(dòng)駕駛應(yīng)用中的關(guān)鍵需求。

面向自動(dòng)駕駛的量子軌跡預(yù)測(cè)

本文提出了一種新型的自動(dòng)駕駛軌跡預(yù)測(cè)系統(tǒng)，在嚴(yán)格的計(jì)算限制下實(shí)現(xiàn)了高精度和校準(zhǔn)后的多模態(tài)預(yù)測(cè)。該系統(tǒng)基于緊湊的混合架構(gòu)，利用了一個(gè)9量子比特的量子電路，旨在與道路場(chǎng)景的固有結(jié)構(gòu)相匹配。在Waymo Open Motion數(shù)據(jù)集上的實(shí)驗(yàn)表明，在預(yù)測(cè)2公里范圍內(nèi)的軌跡時(shí)，平均位移誤差為1.94米，最終位移誤差為3.56米。

該系統(tǒng)在0秒時(shí)域內(nèi)持續(xù)優(yōu)于運(yùn)動(dòng)學(xué)基線模型。它以自我為中心、車道對(duì)齊的坐標(biāo)系預(yù)測(cè)軌跡殘差，有效壓縮輸出范圍并消除剛體運(yùn)動(dòng)的影響。截?cái)喔道锶~解碼器單次運(yùn)行即可生成16個(gè)軌跡假設(shè)，其模式置信度源自潛在頻譜。訓(xùn)練采用同步擾動(dòng)隨機(jī)逼近（SPSA）算法，避免了通過非解析組件進(jìn)行反向傳播。詳細(xì)分析表明，驗(yàn)證損失與訓(xùn)練損失緊密相關(guān)，表明模型具有良好的泛化能力且未出現(xiàn)過擬合，并且淺層電路能夠?qū)崿F(xiàn)穩(wěn)定的優(yōu)化和可預(yù)測(cè)的收斂。細(xì)粒度學(xué)習(xí)信號(hào)顯示，在100個(gè)epoch內(nèi)，原始損失和平滑損失均呈現(xiàn)穩(wěn)定改善，這與SPSA算法的重置時(shí)間點(diǎn)相吻合。該性能歸功于系統(tǒng)傾向于平滑的、符合車道線的調(diào)整，這得益于截?cái)喔道锶~基，并表明自動(dòng)駕駛車輛在準(zhǔn)確可靠的軌跡預(yù)測(cè)方面取得了重大進(jìn)展。

用于軌跡預(yù)測(cè)的緊湊型量子架構(gòu)

本研究提出了一種緊湊型混合量子架構(gòu)，專為短時(shí)域軌跡預(yù)測(cè)而設(shè)計(jì)，這是自動(dòng)駕駛系統(tǒng)的關(guān)鍵組成部分。該模型專注于在以自我為中心、車道對(duì)齊的框架內(nèi)預(yù)測(cè)殘差修正，從而高效地集中于米級(jí)調(diào)整而非完整的軌跡預(yù)測(cè)。研究團(tuán)隊(duì)成功地將受Transformer啟發(fā)的量子注意力編碼器、參數(shù)精簡(jiǎn)的前饋網(wǎng)絡(luò)和基于傅里葉變換的解碼器集成到一個(gè)9量子比特的流水線中，該流水線能夠在一次迭代中生成16個(gè)軌跡假設(shè)。在Waymo Open Motion數(shù)據(jù)集的代表性子集上的評(píng)估表明，該模型能夠?qū)崿F(xiàn)米級(jí)平均位移誤差和最終位移誤差，并始終優(yōu)于強(qiáng)大的運(yùn)動(dòng)學(xué)基線模型。

此外，該系統(tǒng)展現(xiàn)出穩(wěn)定的漏報(bào)率和優(yōu)異的精確率-召回率特性，表明其具有可靠的多模態(tài)預(yù)測(cè)能力。研究人員強(qiáng)調(diào)，基于頻譜的排序方法有效地捕捉了表征空間，使模型能夠識(shí)別出合理的未來軌跡。即使存在不可微分量，使用同步擾動(dòng)隨機(jī)逼近（SPSA）方法進(jìn)行訓(xùn)練仍然保持穩(wěn)定，這證明了針對(duì)此應(yīng)用優(yōu)化淺層、少量子比特電路的可行性。盡管該研究承認(rèn)存在一些局限性，例如依賴經(jīng)典模擬、單車模型以及預(yù)測(cè)范圍較短，但未來的工作旨在將該架構(gòu)部署到近期量子硬件上，整合更豐富的上下文信息，并探索更具表現(xiàn)力的量子解碼器。除了自動(dòng)駕駛領(lǐng)域，研究人員還指出，本文開發(fā)的殘差、物理形狀模型和基于相位的多模態(tài)技術(shù)也適用于機(jī)器人、物流和人體運(yùn)動(dòng)預(yù)測(cè)等領(lǐng)域的其他資源受限的序列預(yù)測(cè)問題。