面向自动驾驶轨迹预测的通用可解释物理引导因果模型
人工智能
2026-02-17 v1
摘要
自动驾驶中对交通主体轨迹预测至关重要，但在先前未见的域中实现有效的零样本泛化仍是重大挑战。受动力学在不同域中保持一致性的启发，我们旨在纳入域无关知识以提升零样本轨迹预测能力。关键挑战包括：1）有效提取域无关场景表征，2）将不变特征与运动学模型集成以实现泛化预测。为此，我们提出了新型通用物理引导因果模型（PCM），其包含两个核心组件：采用干预性解耦方法从场景中提取域无关特征的解耦场景编码器，以及利用因果注意力机制有效整合运动学模型与有意义情境信息的CausalODE解码器。在真实世界自动驾驶数据集上的大量实验表明，我们的方法在未见城市中实现了优异的零样本泛化性能，显著超越竞争性基线。项目源码已发布于 https://github.com/ZY-Zong/Physics-guided-Causal-Model。
引用
@article{arxiv.2602.13936,
title = {A Generalizable Physics-guided Causal Model for Trajectory Prediction in Autonomous Driving},
author = {Zhenyu Zong and Yuchen Wang and Haohong Lin and Lu Gan and Huajie Shao},
journal= {arXiv preprint arXiv:2602.13936},
year = {2026}
}
备注
8 pages, 4 figures, Accepted by IEEE ICRA 2026