人类的决策过程本身就具有层级，这也意味着为实现短期和长期目标，会同时涉及到多个层次的推理以及不同的规划策略。在过去十年间，越来越多的计算机科学家一直在研发能够复制人类决策过程的计算工具和技术，让机器人、自动驾驶汽车或者其他设备能够更快、更高效地做出决策，这一点对于自动驾驶汽车等机器人系统而言尤其重要，因为其行为会直接影响到人类的安全。
LOKI数据集（图片来源：本田）
据外媒报道，本田美国研究所（Honda Research Institute U.S.）、本田研发中心（Honda R&D）以及美国加州大学伯克利分校（UC Berkeley）最近编制了一个数据集LOKI，可用于训练能够预测路上行人和车辆行进轨迹的模型。该数据集包含从驾驶员角度拍摄到的街道上不同对象（如行人、自行车、汽车等）的图像，而且图像已经被仔细做好标记。
研究人员Chiho Choi表示：“在我们最近的论文中，我们建议明确推理出道路上不同对象的长期目标以及短期目标，以预测不同驾驶场景下其未来行进轨迹。我们将长期目标定义为对象在给定预测范围内想要到达的最终位置，而意图指代该对象如何实现其目标。”
Choi及其同事认为，为了高效预测交通对象的行进轨迹，对于机器学习技术而言，考虑到短期和长期目标的复杂层次结构是非常重要的。基于预测到的对象行动情况，该模型可以高效地规划机器人或车辆的运动。
因此，研究人员着手研发一个架构，能够将短期和长期目标作为逐帧意图预测的关键组成部分。然后，此类考虑结果会影响到行迹预测模块。
Choi解释道：“想想车辆位于十字路口，而它想要实现向左转的最终目标。当推理出道路对象的动作意图是左转时，不仅要考虑到对象的动态，还要考虑到其意图如何根据下列因素而变化：i)对象自己的意愿、ii)社会互动、iii)环境限制、iv)周围情境线索。”
LOKI数据集包含数百张RGB图像，描绘了交通中不同对象的情况。每一张图像都有相应的激光雷达点云，而且为所有交通中的对象提供了详细的逐帧标签。
该数据集具有三种独特标签。第一种是意图标签，表明参与者如何通过一系列动作决定达到既定目标；第二种是环境标签，提供影响交通对象意图的环境信息（如道路出口/道路入口位置、交通信号灯、交通标志、车道信息等）；第三种是情境标签，也可能会影响到交通对象的未来行为，如天气相关信息、道路状况、行人的性别和年龄等。
除了编制LOKI数据集，Choi及其同事还研发了一个模型，探索LOK数据集考虑的因素如何影响交通对象的未来行为。该模型能够准确地预测不同交通对象在道路上的意图和行进轨迹，特别是考虑到下列因素的影响i)对象自己的意愿、ii)社会互动、iii)环境限制、iv)周围情境信息对其短期行为和决策过程的影响。
研究人员在一系列测试中评估了该模型，并发现其准确性比其他先进的轨迹预测方法高出27%。未来，该模型可用于提升自动驾驶汽车的安全性与性能。此外，其他研究小组也可以采用LOKI数据集以训练自己的模型，从而预测道路上行人和车辆的行进轨迹。