Плотный трафик — это не просто перемещение машин, а постоянный негласный диалог. Водитель считывает намерения соседей по лёгким смещениям корпуса, ускорениям и паузам. Автопилоту такой диалог даётся сложнее: классические нейросети хорошо предсказывают отдельные траектории, но плохо объясняют, почему выбрано именно такое поведение. Метод MPCFormer пытается совместить предсказание и безопасность, чтобы машина не только угадывала траекторию, но и понимала логику социальных взаимодействий на дороге.
Почему в плотном потоке не хватает обычных моделей
Когда автомобили едут вплотную и постоянно перестраиваются, поведение одного участника напрямую зависит от действий остальных. Ошибка в оценке этого взаимодействия приводит к двум крайностям: автопилот либо действует слишком осторожно и мешает потоку, либо пытается выполнить манёвр в неподходящий момент.
Чисто обучаемые планировщики умеют копировать стиль вождения из данных, но их внутренняя логика часто остаётся «чёрным ящиком». В обычных ситуациях это допустимо, а в плотном трафике на съезде с магистрали цена непредсказуемого решения слишком высока. Классические методы управления, наоборот, хорошо понимают физику движения, но не всегда учитывают, что другие водители тоже имеют цели, реагируют и уступают.
Компромисс между физикой и данными
Авторы подхода предлагают не выбирать между физическим моделированием и машинным обучением, а объединить их. В центре метода MPCFormer — связанная динамика социальных взаимодействий: состояния автомобилей описываются не по отдельности, а как единая система, где действия одного участника меняют условия для всех остальных.
Динамика строится в дискретном пространстве состояний, а физические приоры встроены в модель. Благодаря этому промежуточные представления остаются объяснимыми: специалист может проследить, на основе каких ограничений система принимает решение. Коэффициенты динамики не назначаются вручную — их обучает архитектура Transformer encoder-decoder на записях естественного вождения.
По утверждению исследователей, это первый подход, который явно моделирует совместную динамику сразу нескольких транспортных средств, а не ограничивается независимыми прогнозами.
Почему именно MPC
Обученная динамика даёт планировщику возможность генерировать разнообразные человекоподобные сценарии поведения: автопилот может действовать более уверенно или уступчиво в зависимости от ситуации. Но нейросеть сама по себе не гарантирует безопасность.
Здесь подключается model predictive control — MPC. Он проверяет сгенерированные кандидаты на соответствие ограничениям и отклоняет опасные варианты до того, как они попадут в исполнение. Это снижает риски, характерные для методов, которые полностью полагаются на вывод нейросети.
Что показали тесты
Разработчики оценили MPCFormer на открытом датасете NGSIM, который содержит записи реального трафика на автомагистрали. При горизонте предсказания 5 секунд средняя ошибка прогноза траектории составила 0,86 метра — это наилучший результат среди рассмотренных современных подходов.
Отдельно проверяли замкнутые сценарии с интенсивными взаимодействиями: автомобилю нужно было выполнить несколько последовательных перестроений, чтобы успеть съехать на off-ramp. Здесь гибридная модель также показала заметное преимущество перед планировщиком на основе Reinforcement Learning:
- 94,67% — доля успешно выполненных манёвров;
- +15,75% — прирост эффективности вождения;
- 0,5% — частота столкновений вместо 21,25% у базового RL-планировщика.
Снижение аварийных ситуаций почти в 40 раз — главный аргумент в пользу того, что объяснимые физические ограничения в сочетании с обученными социальными моделями делают автопилот безопаснее, а его поведение — ближе к действиям опытного водителя.
