在本周于预印本服务器Arxiv.org上发表的一篇论文中，优步(Uber)的先进技术集团(ATG)的研究人员提出了一种AI技术，以改善自动驾驶汽车的交通运动预测。它直接适用于Uber自身正在开发的无人驾驶技术，该技术必须能够检测，跟踪和预测周围汽车的轨迹，以便安全地在公共道路上行驶。

众所周知，如果没有能力预测道路上其他驾驶员可能做出的决定，车辆将无法完全自动驾驶。在一个悲剧性的案例中，两年前，Uber自动驾驶原型机在亚利桑那州坦佩市撞死一名行人，部分原因是该车辆未能发现并避开受害者。ATG的研究是新颖的，因为它采用了生成对抗网络(GAN)来进行汽车轨迹的预测，而不是使用不太复杂的体系结构。该研究有望通过将预测的精度提高一个数量级来提高技术水平。 。

合著者的GAN –源自“符合场景的GAN”，称为SC-GAN -可以创建遵循场景内现有约束的轨迹，并可以访问场景的高清地图(包括道路，人行横道位置，车道方向，交通信号灯和标牌)以及由激光雷达，雷达和摄像头传感器通知的检测和跟踪系统。GAN输出附近汽车的参考系，原点位于中心位置，x和y轴分别由汽车的方向和左侧定义。

对于GAN预测其潜在未来轨迹的每辆汽车，场景上下文信息和地图约束都捆绑到RGB图像中，该图像可以由称为矩阵的数学对象表示。(矩阵是按行和列排列的数字的矩形阵列，它们通常用于表示AI模型可以操作的格式的概念。)图像捕获在汽车后方10米处，而在其两侧则分别高30米，以及落后十米

在实验中，该团队在Google的TensorFlow机器学习框架中实施了拟议的AI系统和多个基准，并获得了大规模的真实世界数据集(ATG4D)，其中包括在各种路况下(例如，变化的美国多个城市的一天中的时间和一周中的几天)。每辆汽车每0.1秒创建一个数据点，该数据点由当前和过去0.4秒的观测速度，加速度，航向和转弯速率组成，总共780万个数据点与周围的高清地图信息一起拆分纳入模型训练，测试和评估集。