基于成对排序和元特征的轨迹预测动态模型选择

最近的深度轨迹预测器取得了很强的平均精度，但在复杂的长尾驾驶场景中仍然不可靠。这些局限性揭示了流行的“一刀切”范式的弱点，特别是在安全至上的城市环境中，更简单的基于物理的模型有时可以胜过先进的网络。为了弥补这一差距，我们提出了一种动态的多专家门控框架，该框架在逐样本基础上自适应地从基于物理信息的LSTM、Transformer和微调后的GameFormer中选择最可靠的轨迹预测器。我们的方法利用内部模型信号（元特征），如稳定性和不确定性，我们证明这些信号比几何场景描述符信息量更大。据我们所知，这是第一项将轨迹专家选择表述为内部模型信号上的成对排序问题的工作，直接优化决策质量而无需事后校准。在包含1287个样本的nuPlan-mini数据集上评估，我们经过LLM增强的三专家门控实现了2.567米的最终位移误差，比GameFormer降低了9.5%，并达到了57.8%的Oracle性能界限。在开环仿真中，经过轨迹视界对齐后，相同的配置在左转场景中将FDE降低了约10%，在离线验证和开环评估中均表现出一致的改进。这些结果表明，自适应混合系统增强了安全关键型自动驾驶中的轨迹可靠性，为超越静态单模型范式提供了一条实用途径。