
모델 워크플로우를 설명하는 개략도. 왼쪽부터 차량 궤적 및 환경 인식 장면으로 시작한다. 다이어그램은 옅은 회색 도로 평면과 여러 색상의 자동차 아이콘(빨간색은 자차, 파란색/녹색은 주변 차량)을 묘사한다. 자차의 과거 궤적은 굵은 실선 화살표로 표시되고, 주변 차량의 동적 영향 범위는 점선 원으로 둘러싸여 있다. 차선, 교차로, 신호등과 같은 도로 구조는 얇은 회색 선 또는 작은 아이콘으로 표시된다. 전체적으로 시스템 입력은 자차의 과거 경로, 주변 차량의 운동 상태, 정적 도로 지형을 포함하는 다중 모드 관측 데이터로 구성된다. 다음으로, 두 번째 단계인 특징 추출 모듈로 진입하며, 이는 시공간 상호 작용 특징과 운전자 의도 특징의 두 가지 병렬 경로로 나뉜다. 상단 경로는 시공간 상호 작용 특징 추출을 위한 것이다. 자차의 과거 좌표 (x_t, y_t)는 "시간적 상호 작용 특징"으로 레이블된 GRU 인코더를 나타내는 세 개의 파란색 3D 큐브 블록 세트에 입력되어 시간적 특징 f_e^t를 출력한다. 동시에 주변 차량과 도로 구조는 "공간적 상호 작용 특징"으로 레이블된 GAT 그래프 주의 네트워크를 나타내는 노란색 3D 큐브 블록 세트에 입력되어 공간적 특징 f_e^s를 출력한다. 이 둘은 "Concat(f_e^t, f_e^s)"로 레이블된 녹색 사다리꼴 모듈을 통해 연결되어 최종적으로 외부 상호 작용 특징 f_e를 출력한다. 하단 경로는 운전자 의도 특징 추출을 위한 것이다. 과거 궤적 X는 "목적지 디코더"로 레이블된 주황색 직사각형 상자에 입력되어 예측된 목적지 D̂를 출력한다. 그런 다음, "과거 특징 (f_his)"으로 레이블된 옅은 파란색 직사각형과 "목적지 특징 (f_des)"으로 레이블된 옅은 보라색 직사각형의 두 가지 병렬 직사각형 모듈을 통해 특징이 추출되며, MLP에 의해 처리된다. 이 둘은 내부적으로 QKV 주의 메커니즘 공식을 가진 "주의 융합"으로 레이블된 녹색 사다리꼴 모듈로 전송되어 융합된 운전자 의도 특징 f_in을 출력한다. 세 번째 단계는 시공간 특징 융합 모듈이다. f_in과 f_e는 혼합 특징 h_fus로 연결되어 "Mamba 융합 모듈"로 레이블된 짙은 파란색 사다리꼴 모듈에 입력되며, Mamba 아키텍처를 사용하여 장거리 종속성을 효율적으로 모델링하고 최종 융합 특징 f_fus를 출력한다. 시각적으로 이 모듈에는 시퀀스 모델링 기능을 강조하기 위해 물결 모양 텍스처 또는 "M" 기호가 추가될 수 있다. 네 번째 단계는 조건 유도 노이즈 생성 모듈이다. f_fus는 두 개의 병렬 주황색 사다리꼴 모듈에 입력되며, 왼쪽은 "평균 디코더 (μ̄_θ)"로 레이블되고 오른쪽은 "표준편차 디코더 (σ̄_θ)"로 레이블되어 함께 유도된 노이즈 분포를 정의한다. 출력은 물결 모양 텍스처 배경이 있는 직사각형 상자에 연결되어 ""로 레이블된다.
다이어그램은 모델 워크플로우를 보여주며, 왼쪽의 차량 궤적 및 환경 인식 장면에서 시작합니다. 다이어그램은 ...