基于异质空间-时间多尺度注意力网络的信号交叉点对多种类型的交通参与者的轨迹预测
Luming Gao1, Mingbao Pang1, Huamin Liang2
1School of Civil and Transportation, Hebei University of Technology, Tianjin, China.
Traffic injury prevention
|December 4, 2025
概括
这项研究引入了一种用于智能连接环境的新型轨迹预测模型,提高了车辆,骑自行车者和行人的准确性. 异质空间时空多尺度注意网络 (HST-MSAN) 通过使连接和自动化车辆 (CAV) 能够预测冲突,从而提高安全性.
科学领域:
- 智能运输系统 智能运输系统
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 有信号的十字路口是交通安全的关键区域.
- 预测各种道路使用者的轨迹对于自动驾驶至关重要.
- 目前的方法难以整合复杂的时空相互作用和多尺度地图信息.
研究的目的:
- 开发一个先进的轨迹预测模型,用于智能连接环境中的多个交通参与者.
- 通过准确的运动预测,提高连接和自动驾驶汽车 (CAV) 的安全性和效率.
主要方法:
- 提出了一个异构的时空多尺度注意网络 (HST-MSAN).
- 集成的时空交互功能使用时空图表注意网络 (STGAN).
- 通过多尺度挤压和激发网络 (MS-SENet) 集成的多尺度地图功能.
主要成果:
- 在3秒的预测中,达到0.17m的平均位移误差 (ADE) 和0.68m的最终位移误差 (FDE).
- 与最先进的方法相比,ADE (高达29.2%) 和FDE (高达12.8%) 的显著降低.
- 废弃性研究证实了STGAN和MS-SENet组件的有效性.
结论:
- HST-MSAN模型有效地整合了时间,空间和地图特征,以准确地预测轨迹.
- 改进的预测准确度允许CAV主动识别冲突并优化规划.
- 这一进步有助于减少复杂交叉场景中的交通事故.
