城大研发全新人工智能系统可提升自动驾驶预测准确性
车辆要保持安全的自动驾驶，精确、实时地预测附近车辆及行人的未来动向至关重要。香港城市大学（城大）领导的研究团队，最近研发出一套全新人工智能系统，可增加自动驾驶系统在密集交通环境中的预测准确程度，并提高运算效率超过85%，为改善自动驾驶汽车的安全性提供巨大应用潜力。
带领研究团队的城大电脑科学系汪建平教授解释，精确和实时预测在自动驾驶系统中极为重要，即使是微乎其微的延迟或错误，都可以导致灾难性的后果。
然而，目前的行车预测技术往往无法正确理解周围的驾驶场景，又或缺乏预测效率。现有方案通常在车辆及其观察视窗向前移动时，即使周边物体的最新位置数据与其前一个位置重叠，系统仍需要为周围的物体和环境的最新位置数据，进行重新归一化（re-normalising）和重新编码（re-encoding），这会令实时在线预测出现多余的运算程序及导致延误。
为了解决以上情况，汪教授的研究团队研发了一套名为“QCNet”的轨迹预测系统，并可在理论上支持串流处理。这套系统基于相对时空（relative spacetime）的原理来进行定位，有着包括“空间维度的旋转平移不变性（roto-translation invariance）”与“时间维度的平移不变性（translation invariance）”等优点。
透过上述提及的两大特点，系统可在驾驶环境中提取唯一且固定的位置讯息，并不受驾驶者在查看驾驶场景时的时空座标所影响。这让系统可以存取和重用之前所计算的座标编码，理论上便可以做到实时预测。
团队同时将道路使用者、车道和行人过路处之间的相对位置，整合至这套人工智能系统当中，以捕捉他们与驾驶场景之间的相互关系和互动，有效增强系统对道路规则和道路使用者之间互动的理解，同时考虑道路使用者动向的不确定性，从而产生可避免车辆踫撞的预测。
为了评估QCNet的功效，研究团队使用了“Argoverse 1”和“Argoverse 2”两套来自美国不同城市的自动驾驶开放数据和高清地图数据库进行测试。两大数据库涵盖了超过32万个数据序列和25万个驾驶场景，被认为是对行为预测系统最具考验难度的参照基准。
在测试当中，QCNet即使在长远预测道路使用者六秒后的行为动向，仍能展示出一定的速度与高准确性，并分别在Argoverse 1的333套预测系统与Argoverse 2的44套预测系统中位列第一。同时，QCNet在涉及190个道路使用者与169个地图多边形（map polygons，即包括车道和行人过路处） 的高密度交通场景之中，仍能将在线预测的延误时间由八毫秒降至一毫秒， 令预测效率提高超过85%。
汪教授说：“团队研发的技术可应用于自动驾驶系统，令自动驾驶汽车更有效地理解周边环境，更准确地预测其他道路使用者的未来动向，以提供更安全、更人性化的驾驶决定，保障自动驾驶的安全性。”她补充说：“我们计划将这套技术应用在更多的自动驾驶范畴，包括模拟交通系统和产生人性化的决定。”
上述研究成果已于今年在加拿大举行的电脑视觉（computer vision）年度学术会议——“IEEE / CVF电脑视觉与模式识别会议”（IEEE / CVF Computer Vision and Pattern Recognition Conference, CVPR 2023）上发表，题为〈Query-Centric Trajectory Prediction〉。
研究论文的第一作者是周梓康先生，他是汪教授在城大电脑科学系研究团队的博士生。通讯作者是汪教授，其他合作的研究人员分别来自鸿海科技集团（Foxconn®）旗下的鸿海研究院，以及美国的卡尼基美隆大学（Carnegie Mellon University）。有关研究成果将整合至鸿海科技集团旗下的电动车自动驾驶系统，以提升实时预测效率和提高自动驾驶的安全性。
研究项目获不同机构支持，包括鸿海研究院、香港研究资助局和深圳市科技创新委员会资助。