提示词描述

一张图表，展示模型的工作流程，从左侧的车辆轨迹和环境感知场景开始。图表描绘了一个浅灰色的路面，上面有多个彩色汽车图标（红色代表自车，蓝色/绿色代表周围车辆）。自车的历史轨迹用一条粗实的箭头表示，周围车辆的动态影响范围用虚线圆圈圈出。道路结构，如车道线，用细灰线或小图标标记。总体而言，系统输入包括多模态观测数据，包括自车的历史路径、相邻车辆的运动状态以及静态道路拓扑。 接下来，流程进入第二阶段：特征提取模块，该模块分为两个并行路径：时空交互特征和驾驶员意图特征。 上方的路径用于时空交互特征提取： 自车的历史坐标 (x_t, y_t) 输入到一组三个蓝色3D立方体块中，代表一个GRU编码器，标记为“时间交互特征”，输出时间特征 f_e^t。同时，周围车辆和道路结构输入到一组黄色3D立方体块中，代表一个GAT图注意力网络，标记为“空间交互特征”，输出空间特征 f_e^s。两者通过一个绿色梯形模块连接，标记为“Concat(f_e^t, f_e^s)”，最终输出外部交互特征 f_e。 下方的路径用于驾驶员意图特征提取： 历史轨迹 X 输入到一个橙色矩形框中，标记为“目的地解码器”，输出预测的目的地 D̂。随后，输出通过两个并行的矩形模块：一个浅蓝色矩形，标记为“历史特征 (f_his)”，和一个浅紫色矩形，标记为“目的地特征 (f_des)”，从中通过MLP提取特征。这些特征随后被输入到一个绿色梯形模块中，标记为“注意力融合”，内部暗示了QKV注意力机制公式，输出融合的驾驶员意图特征 f_in。 第三阶段是时空特征融合模块： f_in 和 f_e 被连接成一个混合特征 h_fus，该特征被输入到一个深蓝色梯形模块中，标记为“Mamba融合模块”。该模块利用Mamba架构来有效地建模长程依赖关系，输出最终融合的特征 f_fus。在视觉上，该模块可以包含波浪纹理或“M”符号，以强调其序列建模能力。 第四阶段是条件引导的噪声生成模块： f_fus 被输入到两个并行的橙色梯形模块中，左边的模块标记为“均值解码器 (μ̄_θ)”，右边的模块标记为“标准差解码器 (σ̄_θ)”。这两个模块共同定义一个引导噪声分布。输出连接到一个带有波浪纹理背景的矩形框，标记为“引导""