在高级驾驶辅助系统和自动驾驶汽车中，安全的运动规划需要准确理解周围交通场景的演变。然而，许多现有的车道变换预测方法仍然集中在单个目标车辆上，而多智能体预测方法往往仅通过未来位置描述场景演变，提供的关于每辆车的操作信息有限。
本文提出了一种动态场景图注意力框架，能够预测局部交通场景中每辆相关车辆的车道变换意图和未来轨迹。场景被表示为一个时间变化的交互图，其中车辆被建模为节点，而它们的空间和运动关系则通过显式边缘特征进行编码。
时间图注意力信息传递捕获了车辆间依赖关系的演变和预操作信号，而意图引导解码器将每个预测的操作与其相应的未来运动联系起来。场景级一致性目标进一步鼓励兼容的多车未来。
在NGSIM I-80、NGSIM US-101和highD数据集上的实验表明，该方法在与竞争基线比较中表现出一致的改进。DSiGAT在NGSIM I-80和US-101上的意图预测准确率分别达到90.12%和90.97%，并将轨迹均方根误差（RMSE）相对于最强基线减少了多达52.94%。
它还产生了更低的智能体间碰撞率和联合位移误差，表明更一致的场景级预测。消融、敏感性、鲁棒性和定性分析进一步验证了所提组件的贡献和场景聚焦形式的有效性。
博主点评： 该研究通过引入动态场景图注意力框架，为多车道变换意图与轨迹预测的研究提供了新的视角，显著提升了预测准确性与安全性，对自动驾驶技术的发展具有重要意义。其方法论的创新性在于将时间因素与多智能体交互有效结合，值得深入关注与研究。