使用交互感知注意力網絡在自動駕駛中實現高級決策

近日，一篇題為《Learning High-Level Decision Making with an Interaction-Aware Attention-Based Network in Autonomous Driving》的論文提出了一種名為DecisionPerceiver的新型架構，旨在解決自動駕駛中高級決策的關鍵挑戰。該論文由Marcelo Contreras等人撰寫，已被提交至2026年IEEE智能交通系統會議（ITSC）。論文的預印本目前可在arXiv上獲取，編號為2607.09725。

在自動駕駛系統中，變道和速度控制等高層決策需要處理動態變化的交通流量輸入，這些輸入的大小會隨着場景中車輛數量的變化而變化。現有的方法如DeepSet及其變體雖然能夠處理可變大小的輸入，但忽略了交通參與者之間的顯式交互建模，在需要談判的場景（如交叉路口）中表現有限。而基於注意力的方法雖然能夠捕獲靜態和動態代理之間的交互，但面臨二次複雜度的內存和計算開銷，並且對錶示粒度的控制有限。

受Perceiver IO架構的啓發，DecisionPerceiver採用注意力機制將動態代理特徵投影到一個固定大小的潛在空間中。通過調整潛在查詢的數量，可以控制特徵表示的粒度，從而提高了更大網絡的可擴展性。與傳統的注意力機制相比，這種方法顯著降低了計算複雜度，同時仍然能夠捕捉代理之間的複雜交互。此外，論文還提出了一種更精細的行動集離散化方法，以增強交互感知帶來的性能提升。

研究團隊在三個需要不同交互意識水平的駕駛場景中進行了廣泛評估：高速公路並道、交叉路口通行以及環形交叉路口。實驗結果表明，DecisionPerceiver在不同的導航目標下（如速度保持、安全變道和效率優化）均展現了持續的性能提升和良好的泛化能力。特別地，在車輛數量增加的場景中評估了該架構的可擴展性，結果顯示DecisionPerceiver在交通密度增加時仍能保持穩定的性能，驗證了其處理複雜交通環境的潛力。

該研究為自動駕駛中的高級決策提供了一種高效且可擴展的解決方案，有望推動相關技術的實際應用。未來工作可能包括將DecisionPerceiver集成到完整的自動駕駛堆棧中，並探索其在真實世界駕駛環境中的表現。