CVPR自动驾驶运动预测挑战赛：轻舟智航夺冠方案
在今年CVPR 2021 Workshop on Autonomous Driving 主办的 Argoverse 运动预测挑战赛（Argoverse Motion Forecasting Competition）上，来自国内自动驾驶公司轻舟智航的Blue Team一举夺魁。
比赛结果排行榜：
https://eval.ai/web/challenges/challenge-page/454/leaderboard/1279
运动估计与路径规划是自动驾驶系统智能性的最直接体现，对行驶安全性起到了决定性的作用，因为现实路况的复杂性，运动估计一直是自动驾驶的一大难点。
该比赛吸引了自动驾驶领域国内外几十支团队参赛（包括海康威视、华为等），轻舟智航在本次比赛的决胜关键指标brier-minFDE上取得了显著的优势。
赛题及数据介绍
该赛事是在 Argoverse 数据集上进行，对道路使用者的运动进行预测，以促进自动驾驶技术的进步。
Argoverse 数据集是由Argo AI公司等采集标注后发布的用于自动驾驶 3D Tracking 和 Motion Forecasting研究的数据集。数据集包括两个部分：Argoverse 3D Tracking与Argoverse Motion Forecasting。
Argoverse 数据采集车
其包含LiDAR激光雷达、 环绕360度RGB视频数据、前向立体数据、6 DOF的定位数据以及高精地图，所有数据都跟高精地图数据进行过配准。
Argoverse 数据示例
Argoverse是第一个包含高精地图的数据集，它包含了290 千米的带有丰富几何形状（车道线等）和语义信息（可行驶区域等）的高精地图数据。
Argoverse 一个场景的三位可视化示例
比赛要求参赛者根据汽车的状态和环境数据，预测各个道路使用者接下来的运动轨迹。
评价指标
本次比赛中对于道路使用者最多可以预测6条轨迹，服务器计算了多个评价指标，但最终排名以 Brier minimum Final Displacement Error (brier-minFDE)为准。
其中 FDE (Final Displacement Error)，即预测轨迹与真实值（ground truth）终点的L2距离。
minFDE意为在预测的所有轨迹中与真实值相比终点距离的最小值，也就是说从终点看预测最好的那条轨迹。
brier-minFDE 则是考虑了不同预测轨迹的概率的度量结果 的Brier Score（其定义来自论文Brier, G. W. Verification of forecasts expressed in terms of probability. Monthly weather review, 1950.）brier-minFDE的计算方法是在 minFDE 上加了(1-p)^2,p为预测轨迹的概率。
由以上定义可知，brier-minFDE是考虑了算法预测距离误差和概率的综合考量。
轻舟智航冠军方案
据悉，轻舟智航获胜方案基础算法架构将原始高清地图数据组织为Lane graph，使用拓展的GCN建模复杂的车道拓扑关系。
重要贡献
轻舟智航获胜方案最重要的贡献是一种新的远程图注意力机制，用于对高清地图中的车道图进行编码。
这种设计的动机是，因其观察到城市地区的车道可以通过邻居、后继和前任等基本交互类型的组合形成非常复杂的排列，在这些排列中，车道不仅与直接连接的车道有交互，也会与其他不直接连接的车道相互作用。
例如在下图的左子图中，汽车在转弯的车道，但却拐向了不与转弯车道相连的车道中，而在右子图中，车辆行驶中因为当前车道线消失，车辆可能并入左边第一车道，但也存在大量的车辆进入左边第二个或其他车道。
自动驾驶所使用的高精地图虽然分辨率高、细节丰富，但仍然不可能完全覆盖人类司机驾驶行为的各种变化。因此，预测算法要理解人类司机的复杂行为，就需要对高精地图中车道间关系的高层次组合进行语义理解。
传统图神经网络的只考虑直接的拓扑连接关系、通过多层组合扩大感受野的方式是不够的，轻舟智航团队提出的长程图注意力机制有更大的灵活性，可以成功理解复杂的车道互动关系。（目前论文尚在投稿，具体构建方法后期会在论文中详述）。
作者实验发现，使用新的图注意力编码高清地图在所有评价指标上带来了显著的提升。
另外作者的其他重要创新点包括：
将轨迹分类损失函数使用高斯混合模型上的negative log likelihood loss； 通过K-means聚合轨迹模式，构筑了模型集成方法。
以上两项方法虽对ADE和FDE（轨迹预测误差）的影响不大，但显著改进了轨迹概率预测，所以大大提高了最终 minFDE 的 brier score。
自动驾驶超级工厂
特别值得一提的是，轻舟智航不仅在算法研究上紧跟前沿，在数据采集和处理技术上也积累颇丰。轻舟智航今年入选CVPR的一篇论文借助自监督学习，从未标注的激光雷达点云和配对的相机图像中获得了点云运动信息，在不需要标注数据的情况下，就可以较好地理解交通参与者的运动。并且开源了代码，链接如下：
https://github.com/qcraftai/pillar-motion
众所周知，目前的智能汽车都搭载有多类高精度的传感器，比如摄像头、毫米波雷达、激光雷达等，用于实现不同等级的自动驾驶以及智能网联功能。在智能汽车行驶的过程中，会产出大量的数据，其中就包括车辆自动驾驶功能在运行过程中遇到的边界化难题（Corner Case）。据了解，一台具备L4级别自动驾驶功能的车辆日常产出的数据量可达TB数量级，收集到众多珍贵的Corner Case。是否能在合法合规的前提下对这些数据进行收集和使用，对于自动驾驶技术的高效迭代来说至关重要。
轻舟智航打造的自动驾驶超级工厂，可自动化地完成数据收集、数据清洗标注、仿真评估以及大规模仿真场景生成等流程。其中大规模智能仿真系统让测试成本大大减少，达到路测成本的1/100，还可以拓展1000倍于实际路测里程、模拟各种极端情况，同时准确衡量各个自动驾驶软件版本的水平。
凭借自动驾驶超级工厂，轻舟智航可基于多种车型实现L4级别自动驾驶功能，应对各类城市复杂交通场景。