自动驾驶中面向鲁棒轨迹预测的物理学信息深度学习

《Scientific Reports》：Physics-informed deep learning for robust trajectory prediction in automated driving

　　

规划安全、舒适且高能效的自车轨迹是自动驾驶的基础。能效降低排放，而安全保护乘员与弱势道路使用者。然而，纯粹数据驱动模型在鲁棒性与分布外场景上表现不佳，尤其训练数据中代表性不足的罕见边缘案例。若数据进一步受传感器噪声影响，模型性能会急剧下降。物理学信息神经网络（Physics-Informed Neural Networks，PINN）以物理定律或控制方程形式引入专家知识，相较标准数据驱动模型可增强泛化能力与透明性。因复杂人类驾驶模式缺乏可靠物理模型，仅有少数研究将此类网络用于自动驾驶用例。本文研究注入仅在一定程度上描述运动模式的物理模型之收益。研究表明，该模型仍可实现对分布外场景的高精度外推，且在有限数据下保持鲁棒性能。预测轨迹的均方根误差降低至多达10倍。

研究背景与动机

规划安全、舒适且高能效的自车轨迹是自动驾驶的基本任务，纯数据驱动模型受训练数据数量与保真度限制，在分布外（out-of-distribution，OOD）场景与传感器噪声下鲁棒性不足，而经典运动方程难以刻画变道、急刹等复杂机动。物理学信息神经网络（PINN）通过在损失函数中加入物理先验可缓解数据稀缺，但在自动驾驶领域因缺乏可靠物理模型而应用较少。研究人员在《Scientific Reports》发表该研究，旨在验证“不完美物理先验”能否提升短期轨迹预测的外推与鲁棒性。

关键技术方法

研究人员采用Argoverse 2 Motion Forecasting Dataset子集，筛选机动车且初速v₀∈[2.5,6] m/s以构造分布内训练与分布外测试；以单层长短期记忆（LSTM）网络为骨干，将恒速模型（constant velocity model）生成的配点数据（collocation data）以等权方式并入损失函数构成L_PINN=L_data+L_phys；以均方根误差（RMSE）为指标，对比纯数据驱动参考模型（ref、ref-vmax）与物理信息模型（pinn、pinn-vmax）在外推、收敛与少样本下的表现。

研究结果

基准与PINN比较

在完整速度分布训练下参考模型训练/验证/测试RMSE一致；仅用v₀≤6 m/s训练的ref-vmax在测试集（含高速OOD）RMSE高出近一个数量级；pinn与pinn-vmax测试RMSE与ref相当，证明物理项正则化可弥补分布外空白。

外推（Extrapolation）

将训练限至v₀∈[2.5,6] m/s、测试覆盖全速域，ref-vmax在v₀>6 m/s时RMSE随初速单调上升近两个数量级（因长路径下绝对误差累积、模型低估位移），而pinn-vmax在整个速度区间RMSE平坦，表明PINN在速度维度具备OOD外推稳定性。

训练收敛（Training convergence）

在CV MSE=5时PINN验证损失较参考模型低约2倍且更早收敛；CV MSE=0.1时PINN最终损失略逊于ref，但整体收敛更快，振荡源于数据与物理损失竞争。

模型鲁棒性（Model robustness）

测试RMSE随真实样本数N_o呈幂律f(N_o)=aN_o^-b；ref-vmax在CV MSE>0.2时因缺失高速样本而近乎随机，pinn-vmax幂次b?1，少样本下RMSE下降平缓且稳定，说明配点数据正则化削弱了对真实数据量的依赖。

讨论与结论翻译

结论部分指出：在LSTM网络中嵌入恒速物理模型，可利用专家知识正则化学习并补偿代表性样本稀缺；在Argoverse 2上短期轨迹预测RMSE降低至多10倍，收敛略早于纯数据基线，且在远超训练速度下保持稳定。其鲁棒性源于物理损失在注入物理与真实模式不匹配时仍提供有效正则，抑制对噪声或不完整数据的过拟合。即便不完美物理描述也能显著增强泛化与透明性，PINN有望填补安全关键自动驾驶中数据驱动轨迹预测器的可靠性缺口。未来工作将引入跟车模型或多模态机动表征、更复杂架构与嵌入式实时部署，并系统分析数据-物理损失权重及按场景类型（车道保持、变道、转弯等）的OOD外推。