據外媒報道，優(yōu)步研究人員在一篇論文中介紹了MultiNet系統，該系統可以根據自動駕駛汽車的激光雷達數據檢測并預測障礙物的運動。研究人員稱，與現有模型不同，MultiNet利用模型對車輛、行人和騎行者的行為和運動的不確定性進行分析，該模型對監(jiān)測和預測進行推斷，然后加以改進，從而生成可能的軌跡。

預測障礙物的未來狀態(tài)是一項具有挑戰(zhàn)性的任務，但卻是防止道路事故的關鍵。自動駕駛汽車感知系統必須捕捉其他道路使用者的一系列可能軌跡，而不是單一軌跡。例如，迎面駛近十字路口的車輛可能會繼續(xù)直行或在自動駕駛車輛前面轉向。為了確保安全，自動駕駛汽車需要對這些可能性進行推理，并相應地調整行為。

MultiNet接收激光雷達傳感器數據和街道高清地圖，同時學習障礙物軌跡和軌跡的不確定性。對于車輛(但不包括行人或騎行者)，MultiNet會擯棄第一階段的軌跡預測，提取物體的推斷中心和航向，然后對其進行歸一化，并利用算法，從而預測最終的未來軌跡和不確定性。

為了測試MultiNet的性能，研究人員基于ATG4D對系統進行了一天的訓練。ATG4D是一組數據集，包含優(yōu)步自動駕駛汽車在北美多個城市收集的5500個場景的激光雷達傳感器讀數。他們報告說，在車輛、行人和騎行者這三類障礙的預測準確率方面，MultiNet明顯超過了幾個普通系統。具體而言，建模不確定性使準確率提高了9%到13%，并且支持對未來交通出行的固有噪聲進行推理。

研究人員指出，“在一個場景中，道路使用者接近十字路口時右轉，普通系統錯誤地預測其將繼續(xù)徑直穿過十字路口，而MultiNet準確地預測到其會轉彎，同時也預測到其直線行駛的可能性。我們看到，MultiNet預測到了兩種可能性，包括在具有很大的不確定性的情況下，根據十字路口不尋常的形狀，預測出轉向軌跡。”