Promptの説明

一张展示模型流程的示意图，首先从左侧的车辆轨迹与环境感知场景开始。 图中绘制一个浅灰色的道路平面，上面分布多个彩色小车图标（红色代表主车，蓝色/绿色代表周围车辆），主车历史轨迹用粗实线箭头标出，周围车辆动态影响范围用虚线圆圈包围，道路结构如车道线、路口、红绿灯等用细灰线或小图标标注，整体表示系统输入的是包含主车历史路径、邻车运动状态及静态道路拓扑的多模态观测数据。 接着进入第二阶段：特征提取模块，分为时空交互特征与驾驶员意图特征两条并行路径。 上方路径为时空交互特征提取： 主车历史坐标 (x_t, y_t) 输入到一组三个蓝色三维立方体块，代表 GRU 编码器，标注为 “Temporal Interaction Feature”，输出时序特征 f_e^t；同时，周围车辆与道路结构输入到一组黄色三维立方体块，代表 GAT 图注意力网络，标注为 “Spatial Interaction Feature”，输出空间特征 f_e^s。两者通过一个绿色梯形模块拼接，标注为 “Concat(f_e^t, f_e^s)”，最终输出外部交互特征 f_e。 下方路径为驾驶员意图特征提取： 历史轨迹 X 输入到一个橙色矩形框，标注为 “Destination Decoder”，输出预测目的地 D̂；随后分别通过两个并排矩形模块：浅蓝矩形标注 “History Feature (f_his)” 和浅紫矩形标注 “Destination Feature (f_des)”，由 MLP 提取特征；二者再送入一个绿色梯形模块，标注为 “Attention Fusion”，内部隐含 QKV 注意力机制公式，输出融合后的驾驶员意图特征 f_in。 第三阶段为时空特征融合模块： 将 f_in 与 f_e 拼接成混合特征 h_fus，输入到一个深蓝色梯形模块，标注为 “Mamba Fusion Module”，利用 Mamba 架构高效建模长距离依赖，输出最终融合特征 f_fus，该模块视觉上可加入波浪纹或“M”符号强调其序列建模能力。 第四阶段为条件引导的噪声生成模块： f_fus 分别输入到两个并排的橙色梯形模块，左侧标注 “Mean Decoder (μ̄_θ)”，右侧标注 “Std Decoder (σ̄_θ)”，二者共同定义一个引导噪声分布；输出连接至一个波纹纹理背景的矩形框，标注为 “Guided Noise Distribution”，框内可简写公式 Ȳ = μ̄_θ + σ̄_θ · X̄，表示在扩散前向过程中注入语义先验，使噪声更贴合驾驶意图。 第五阶段为轨迹推断与去噪模块： 引导噪声 Ȳ 输入到另一个深蓝色梯形模块，标注为 “Mamba Denoiser”，作为反向扩散过程的核心去噪网络；模块旁可添加时间递减箭头（T→0）和循环符号，表示迭代去噪步骤。 最后阶段为多模态未来轨迹输出： 去噪结果生成多条候选轨迹，以多个白色矩形框横向排列呈现，每个框内绘制一条不同颜色与形状的轨迹线段（如红色直线、蓝色曲线、绿色折线等），统一标注为 T₀，上方标注目标时间步 τ，并辅以省略号 ... 表示系统可输出任意数量的合理未来路径，体现预测的多样性与概率性。