تعتبر عملية توقع الحركة من العوامل الحيوية لأنظمة القيادة الذاتية، حيث تساهم في اتخاذ قرارات آمنة وتخطيط فعّال في سيناريوهات القيادة المعقدة. رغم أن العديد من الأنظمة الحالية تتميز في تقليل الأخطاء المعيارية في الحركة، إلا أنها غالباً ما تتجاهل التوافق مع تنسيق المسارات (lane topology) في التنبؤات المتعددة الأنماط، خصوصاً في الحالات التي تحمل احتمالية منخفضة. مما يؤدي إلى نتائج قد تنتهك القيود الحركية والمنطقية، وبالتالي تجعل مجموعة التنبؤات غير موثوقة لخطط السلامة.

لحل هذه المشكلة، نقدم تقنية LAMP (Lane-Aligned Motion Primitives)، وهي إطار مبتكر لتوقع الحركات يأخذ بالحسبان الهيكل المكانى للمسار. يستند النظام على استخدام تقنية VQ-VAE لتعلم مبادئ الحركة المتوافقة مع الشكل كاستفسارات نية منفصلة، مما يسمح بالتقاط الأنماط الزمانية والمكانية بشكل يتجاوز النوايا المعتمدة على نقاط النهاية.

كما نقدم محدد نوايا مع مراعاة الجدوى، الذي يتم تدريبه باستخدام نقط سابقة مرتبطة بتنسيق المسارات، مما يساعد في تصفية استفسارات النوايا غير الممكنة. يوجه النموذج إلى إعطاء الأولوية للنوايا المتوافقة مع تنسيق المسار بينما يحتفظ مع ذلك بتنوع السلوك.

أظهرت التجارب الواسعة على مجموعة بيانات Argoverse 2 أن تقنية LAMP تحقق دقة في التنبؤ تضاهي أفضل الأنظمة الحالية، مع outperforming لها في مقاييس الجدوى والتنوع. تعد هذه الابتكارات خطوة هامة نحو تحسين أمان وكفاءة القيادة الذاتية.