中国公路学报

作者：曹越, 上官伟, VISSER Arnoud, 陈俊杰, 柴琳果, 蔡伯根

单位：1. 北京交通大学自动化与智能学院, 北京 100044;2. 阿姆斯特丹大学信息研究所智能机器人与计算机视觉 实验室, 阿姆斯特丹 1098XH;3. 北京交通大学先进轨道交通自主运行全国重点实验室, 北京 100044"],"fundList_en":["Beijing Outstanding Young Scientists Program (JWZQ20240101010); Joint Fund of the Ministry of Education for Equipment Preresearch (8091B022238); Beijing Natural Science Foundation Joint-key Program (L231003); National Natural Science Foundation of China (52102396); Beijing Tianjin Hebei Basic Research Cooperation Special Project (F2024210051); Talent Fund of Beijing Jiaotong University (2024XKRC054)

关键词：汽车工程,轨迹预测,深度学习,自动驾驶,注意力机制,风险辅助

基金：北京高等学校卓越青年科学家计划项目(JWZQ20240101010)；装备预研教育部联合基金项目(8091B022238)； 北京市自然基金“丰台联合-重点”项目(L231003)；国家自然科学基金项目(52102396)； 京津冀基础研究合作专项项目(F2024210051)；北京交通大学人才基金项目(2024XKRC054)

轨迹预测可评估周围交通的潜在风险，为自动驾驶决策规划提供安全性保障。针对传统轨迹预测模型依赖人工标定空间交互数据的问题，提出了一种基于模式匹配注意力机制的车辆轨迹预测模型(PMA-LSTM)。首先对车辆历史数据进行预处理，打包为训练批次并构建周围车辆交互关系索引表。随后，利用长短时记忆网络(LSTM)提取时序特征，进一步结合车辆运动学特征以提升模型性能。建立包含可训练参数的预设模式，自学习每种模式对于自我车辆的潜在影响，通过径向基函数实现不同数量的周围车辆对特定模式的注意力匹配，利用卷积网络深层挖掘空间交互特征。最后，通过循环递归解码器模块实现轨迹多模态输出，构建考虑多模态的时空风险势场，形成规划模块的中安全约束，并辅助最优轨迹决策。为验证所提算法有效性，基于真实数据集NGSIM和采集的仿真数据集CARLASIM进行训练，并将模型在以真实基图构建的CARLA-SUMO协同仿真平台上进行实时交互性测试验证与案例分析。测试结果表明：PMA-LSTM在均方根误差(RMSE)、负对数似然误差(NLL)、最终位移误差(FDE)上均领先于其他模型，在5 s预测时间上对比CS-LSTM(M)分别降低了11.4%、9.2%、14.1%，多模态输出比单模态输出在负对数似然误差上下降16.06%。提出的基于模式注意力的轨迹预测算法预测精度更高、意图识别更准、更符合实际规划需求，可为自动驾驶最优轨迹规划提供可靠、安全的技术支撑。

来源：2025年第10期

《中国公路学报》期刊编辑部

查看中国公路学报杂志2025年第10期