CDKFormer: 基于情境偏差知识的长尾轨迹预测 Transformer
机器人学
2025-12-10 v2 系统与控制
系统与控制
摘要
预测周围车辆的未来运动对于确保自动驾驶车辆在城市交通环境中的安全运行和高效导航至关重要。现有的车辆轨迹预测方法主要关注整体性能, 但难以有效应对长尾情景。这种限制常导致在稀有情形下的预测不佳, 大大增加安全事故的风险。以 Argoverse 2 运动预测数据集为例, 我们首先从个体运动和群体互动两个角度探讨轨迹样本的长尾特征, 并提取偏差特征以区分异常与常规情景。基于此, 我们提出了 CDKFormer, 一种用于长尾轨迹预测的基于情境偏差知识的 Transformer 模型。CDKFormer 集成了基于注意力的场景情境融合模块以编码时空相互作用和道路�拓扑。此外, 我们提出了偏差特征融合模块以捕获目标车辆状态的动态偏差。我们进一步引入基于双查询的解码器, 并由多流解码器块支持, 依次解码异构场景偏差特征并生成多模态轨迹预测。大量实验表明, CDKFormer 实现了最新的性能, 在预测长尾轨迹的准确性和鲁棒性方面显著优于现有方法, 推动了自动驾驶在复杂真实环境中的可靠性。
关键词
引用
@article{arxiv.2503.12695,
title = {CDKFormer: Contextual Deviation Knowledge-Based Transformer for Long-Tail Trajectory Prediction},
author = {Yuansheng Lian and Ke Zhang and Meng Li},
journal= {arXiv preprint arXiv:2503.12695},
year = {2025}
}