面向车隶轨迹预测的跨注意力 Transformer 增强条件扩散模型——Crossfusor
机器学习
2024-06-19 v1 人工智能
机器人学
摘要
车辆轨迹预测是推动自动驾驶和高级车辆辅助系统（ADAS）发展的关键技术，有助于提高道路安全性和交通效率。虽然传统方法奠定了基础工作，现代深度学习技术，特别是基于 Transformer 的模型和生成方法，显著提高了预测精度，捕捉车辆运动和交通互动的复杂非线性模式。然而，这些模型常常忽视细致的车隶行为和车辆间交互，这对于现实驾驶情境至关重要。本研究引入一种面向车隶轨迹预测的跨注意力 Transformer 增强条件扩散模型（Crossfusor），专为车隶轨迹预测而设计。Crossfusor 将详细的车辆间交互和车隶动力学整合到一种稳健的扩散框架中，提高了预测轨迹的准确性和真实性。该模型利用一种新颖的时序特征编码框架，将 GRU、基于位置的注意力机制和傅里叶嵌入结合，以捕捉历史车辆动力学。它在前向扩散过程中使用这些编码的历史特征进行噪声缩放，并在逆去噪过程中使用跨注意力 Transformer 来建模复杂的车辆间依赖关系。在 NGSIM 数据集上的实验结果表明，Crossfusor 在预测准确性上超越了当前最先进的模型，尤其在长期预测方面表现突出，展示了其在提升自动驾驶系统预测能力方面的潜力。
引用
@article{arxiv.2406.11941,
title = {Crossfusor: A Cross-Attention Transformer Enhanced Conditional Diffusion Model for Car-Following Trajectory Prediction},
author = {Junwei You and Haotian Shi and Keshu Wu and Keke Long and Sicheng Fu and Sikai Chen and Bin Ran},
journal= {arXiv preprint arXiv:2406.11941},
year = {2024}
}