中国公路学报

作者：徐东伟, 程千兵, 顾同成, 郭海锋

单位：1. 浙江工业大学 网络空间安全研究院, 浙江 杭州 310023;2. 浙江工业大学 信息工程学院, 浙江 杭州 310023"],"fundList_en":["National Natural Science Foundation of China (62373325, 6190334)

关键词：汽车工程,轨迹预测,时空特征融合,自动驾驶车辆,时间卷积网络

基金：国家自然科学基金项目(62373325，6190334)*

随着自动驾驶技术的发展，车辆轨迹预测已成为智能交通系统中的关键任务之一。为解决现有方法在复杂动态环境下，无法深度挖掘车辆之间的时空交互关系以及长时预测精度低等问题，提出一种基于时空交互特征融合的轨迹预测网络，主要由时空交互、深度融合及轨迹预测3个模块组成。首先，时空交互模块基于多头交叉注意力机制根据注意力权重表示车辆之间的影响强度，以获取每个时间步目标车辆与周围车辆的空间交互特征，并基于因果卷积的堆叠时间卷积网络(TCN)捕捉时间步之间的局部时间依赖性，再基于多头自注意力机制建模任意时间步之间的逻辑关系，以挖掘时间序列中全局时间相关性。其次，深度融合模块基于注意力特征融合(AFF)生成自适应的权重矩阵，动态调整不同特征的重要性，以有效融合历史轨迹特征和交互特征，建立特征之间的互补性和相关性。最后，基于门控循环单元(GRU)解码生成双变量高斯分布参数以输出预测轨迹分布，实现车辆的多模态轨迹预测。该方法采用NGSIM和HighD数据集进行训练和测试。试验结果表明，与现有方法相比，5 s时的均方根误差(RMSE)降低了10.9%和7.9%。所提方法可有效提升复杂动态环境下车辆轨迹预测的精度，为自动驾驶系统的安全决策提供更可靠的技术支撑。

来源：2025年第11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11期