少ないことが多い：自律走行のための効率的な脳にインスパイアされた学習 軌跡予測

周囲の車両の軌跡を正確かつ安全に予測することは、自律走行（AD）を完全に実現するために不可欠です。本論文では、人間の認知プロセスを模倣してADにおける軌跡予測を改善するHuman-Like Trajectory Predictionモデル（HLTP++）を提案します。HLTP++は、新しい教師-生徒知識蒸留フレームワークを組み込んでいます。「教師」モデルは、適応型視覚セクターを備え、人間のドライバーが空間方向、近接性、運転速度などの要因に基づいて示す注意の動的配分を模倣します。一方、「生徒」モデルはリアルタイムの相互作用と人間の意思決定に焦点を当てており、人間の記憶ストレージメカニズムとの類似性を引き出しています。さらに、新しいFourier Adaptive Spike Neural Network（FA-SNN）を導入することでモデルの効率を向上させ、パラメーターを減らしながらより迅速かつ正確な予測を可能にします。NGSIM、HighD、MoCADベンチマークを使用して評価した結果、HLTP++は既存のモデルと比べて優れた性能を示し、NGSIMデータセットでの予測軌跡誤差を11％以上、HighDデータセットで25％削減します。さらに、HLTP++は不完全な入力データを持つ困難な環境で強い適応性を示します。これは、完全自律走行システムへの大きな一歩を示しています。