프롬프트 설명

다이어그램은 모델 워크플로우를 보여주며, 왼쪽의 차량 궤적 및 환경 인식 장면에서 시작합니다. 다이어그램은 옅은 회색 도로 평면과 여러 색상의 자동차 아이콘(자차는 빨간색, 주변 차량은 파란색/녹색)을 묘사합니다. 자차의 과거 궤적은 굵은 실선 화살표로 표시되고, 주변 차량의 동적 영향 범위는 점선 원으로 둘러싸여 있습니다. 차선과 같은 도로 구조는 가는 회색 선 또는 작은 아이콘으로 표시됩니다. 전체적으로 시스템 입력은 자차의 과거 경로, 주변 차량의 운동 상태, 정적 도로 지형을 포함하는 다중 모드 관측 데이터로 구성됩니다. 다음으로, 프로세스는 두 번째 단계인 특징 추출 모듈로 진입하며, 이는 시공간 상호 작용 특징과 운전자 의도 특징의 두 가지 병렬 경로로 나뉩니다. 상단 경로는 시공간 상호 작용 특징 추출을 위한 것입니다. 자차의 과거 좌표 (x_t, y_t)는 "시간적 상호 작용 특징"으로 레이블이 지정된 GRU 인코더를 나타내는 세 개의 파란색 3D 큐브 블록 세트에 입력되어 시간적 특징 f_e^t를 출력합니다. 동시에 주변 차량과 도로 구조는 "공간적 상호 작용 특징"으로 레이블이 지정된 GAT 그래프 주의 네트워크를 나타내는 노란색 3D 큐브 블록 세트에 입력되어 공간적 특징 f_e^s를 출력합니다. 이 둘은 "Concat(f_e^t, f_e^s)"로 레이블이 지정된 녹색 사다리꼴 모듈을 통해 연결되어 궁극적으로 외부 상호 작용 특징 f_e를 출력합니다. 하단 경로는 운전자 의도 특징 추출을 위한 것입니다. 과거 궤적 X는 "Destination Decoder"로 레이블이 지정된 주황색 직사각형 상자에 입력되어 예측된 목적지 D̂를 출력합니다. 그 후, 출력은 두 개의 병렬 직사각형 모듈을 통과합니다. 하나는 "History Feature (f_his)"로 레이블이 지정된 밝은 파란색 직사각형이고, 다른 하나는 "Destination Feature (f_des)"로 레이블이 지정된 밝은 보라색 직사각형이며, 여기서 특징은 MLP에 의해 추출됩니다. 이러한 특징은 QKV 주의 메커니즘 공식을 내부적으로 암시하는 "Attention Fusion"으로 레이블이 지정된 녹색 사다리꼴 모듈에 공급되어 융합된 운전자 의도 특징 f_in을 출력합니다. 세 번째 단계는 시공간 특징 융합 모듈입니다. f_in과 f_e는 혼합 특징 h_fus로 연결되어 "Mamba Fusion Module"로 레이블이 지정된 짙은 파란색 사다리꼴 모듈에 입력됩니다. 이 모듈은 Mamba 아키텍처를 활용하여 장거리 종속성을 효율적으로 모델링하고 최종 융합 특징 f_fus를 출력합니다. 시각적으로 이 모듈은 시퀀스 모델링 기능을 강조하기 위해 물결 모양 텍스처 또는 "M" 기호를 통합할 수 있습니다. 네 번째 단계는 조건 유도 노이즈 생성 모듈입니다. f_fus는 두 개의 병렬 주황색 사다리꼴 모듈에 입력됩니다. 왼쪽 모듈은 "Mean Decoder (μ̄_θ)"로 레이블이 지정되고 오른쪽 모듈은 "Std Decoder (σ̄_θ)"로 레이블이 지정됩니다. 이 두 모듈은 공동으로 유도된 노이즈 분포를 정의합니다. 출력은 물결 모양 텍스처 배경이 있는 직사각형 상자에 연결되어 "Guided "