融合复杂网络和记忆增强网络的轨迹预测技术

摘要：

周边目标轨迹预测是智能汽车决策规划的重要依据,现有基于多交通主体欧氏距离的建模方法无法有效描述多目标之间的复杂交互关系,制约其在实际动态交通场景中的适用性.本文创新地将复杂网络和记忆增强神经网络进行融合,构建了双层动态复杂网络模型,实现了高可靠性和可解释性的多模态轨迹预测.该模型使用高斯可变安全场计算风险权重,考虑了交通参与者的行驶状态参数、形状尺寸和智能体与道路之间的相互影响,真实准确地反映复杂环境中多交通主体间的交互关系;构建了一种由注意力机制和包含风险权重的社交池组成的复杂网络编码模块,实现了动态复杂场景中交通参与者与道路约束之间作用特征的全面有效提取;构建了以参考轨迹为条件的轨迹解码模块,实现了兼顾精度和可解释性的多模态轨迹输出.在公开数据集nuScenes上的验证结果表明,本文所提出的方法最小平均位移误差为1.37 m,最小最终位移误差为8.13 m,性能优异且具有较好的可解释性.

关键词：智能汽车、轨迹预测、复杂网络、交互建模

所属期刊栏目：45

分类号：TP391;P618.13;TP18

资助基金：国家重点研发计划;国家自然科学基金;国家自然科学基金;国家自然科学基金;国家自然科学基金;江苏省重点研发项目

在线出版日期：2023-10-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1608-1616,1636