HMambaOcc：基于分层Mamba的混合交通环境下自动驾驶占据流场预测

《Expert Systems with Applications》：HMambaOcc: Hierarchical Mamba for Occupancy flow field prediction in autonomous driving under mixed traffic environments

本文提出HMambaOcc框架，创新性地将分层状态空间模型（SSM）引入自动驾驶占据流场预测领域。该模型通过双通道输入模块整合矢量化轨迹与视觉信息，采用分层Mamba编码器（线性计算复杂度）提升效率，并设计级联交互模块（注意力机制）增强局部/全局交互建模。实验表明其在Waymo数据集上实现竞争性预测精度（AUCb达0.8164）且推理时间显著降低（198.8ms），对轨迹缺失和未见过场景具强鲁棒性（AUCfgo仅下降5.11-6.38%），为实时自动驾驶决策提供新思路。

　　

亮点

HMambaOcc开创性地将分层Mamba架构应用于占据流场预测，通过双通道输入（矢量化轨迹+视觉数据）、线性复杂度的分层编码器、以及级联注意力交互模块，实现了高精度与高效率的平衡。在Waymo开放运动数据集上，其AUC^b指标达到0.8164，推理时间降至198.8毫秒，并对轨迹缺失和未知场景展现优异适应性（AUC^fgo仅下降5.11-6.38%），为自动驾驶环境感知提供了新颖解决方案。

结论

本研究提出的HMambaOcc框架，通过融合多模态输入和分层Mamba编码器，显著提升了混合交通环境下占据流场预测的准确性与实时性。级联交互模块有效捕获了局部细粒度交互和全局跨模态依赖，验证了状态空间模型在复杂动态场景中的巨大潜力。该工作为自动驾驶决策规划模块提供了更可靠的环境动态表征工具。

局限性与未来工作

当前模型在遮挡车辆占据预测指标AUC^c上表现欠佳，主要源于遮挡区域样本稀疏性及先验地图信息利用不足。未来将探索动态感知增强策略与多源数据融合机制，以提升对复杂边界和拥堵区域的预测鲁棒性。