基于注意力机制的车辆轨迹预测模型

对于自动驾驶系统而言,准确预测车辆轨迹是提高道路安全性和驾驶舒适性的关键。基于长短时记忆网络(LSTM)和注意力机制,文章提出了一种改进的车辆轨迹预测模型。通过引入时空注意力机制,该模型能够自适应地聚合车辆历史轨迹和周围环境信息,从而更准确地预测未来轨迹。实验结果显示,与传统LSTM模型相比,该模型在所有预测时间点上均显示出更低的根均方误差,且其性能提升在长期预测任务中更为显著。这证实了注意力机制在处理车辆轨迹预测长期依赖问题上的有效性。

面向群体行驶场景的时空信息融合车辆轨迹预测

将车辆间时空交互信息融入卷积社会池化网络中,提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型;使用长短时记忆(LSTM)网络预测群体车辆速度,基于此预测值计算群体车辆间的速度差;构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征,设计卷积社会池化网络提取群体车辆间的空间依赖关系,使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹,将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果;使用真实轨迹数据集对所构建模型进行了参数标定和性能验证,测试了不同轨迹编解码与速度预测方法对模型性能的影响,确定了最优模型结构。计算结果表明:相较于历史速度,使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%;相较于门控循环神经网络,使用LSTM进行速度预测可将RMSE降低4.91%;相较于原始卷积社会池化网络,所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%,明显优于其他卷积社会池化网络变体;所提出模型与原始卷积社会池化网络计算耗时差距约3 ms,能够满足实时应用要求。