智能网联车辆MFP算法轨迹预测模型研究

为解决车辆轨迹预测任务中环境不断变化、车辆间存在交互影响,导致长期预测情况下预测精度较低的问题,提出了一种基于multiple futures predictor(MFP)算法的多智能体轨迹预测模型。采用对称指数移动平均法去除异常数据并平滑轨迹;采用图神经网络(graph convolutional neural network,GCN)进行交互特征提取,将历史轨迹与未来智能体之间的交互特征进行编码;在解码过程中添加车辆自身运动学模型得到动态可行的预测轨迹。对公开数据集NGSIM进行实验分析,结果表明:模型对车辆轨迹预测误差在0.5 m以内;通过对轨迹预测的ADE与FDE结果分析,在预测未来5 s轨迹的情况下,相比于其他方法,ADE降低了30.7%,FDE降低了32.5%,验证了模型和算法的有效性。