进化物理信息时间融合用于车道变更意图预测
机器学习
2026-05-26 v5
摘要
早期车道变更意图预测对自动驾驶和ADAS至关重要，但仍然具有挑战性，因为车道变更行为取决于演化的交通风险、周围车辆交互和目标车道可行性，而不仅仅是瞬时车辆状态。本研究提出了一种进化物理信息时间融合框架，用于三分类车道变更意图预测，包括左车道变更、右车道变更和无车道变更。该方法不仅使用静态物理信息变量，还从常规交通信号中推导时间描述符，包括风险演化、间隙持续性、反事实车道效用、交互压力梯度、机动可行性和意图一致性。这些描述符通过序列编码器与从原始轨迹序列学习的时间嵌入融合，融合后的表示用于最终分类。在highD和exiD数据集上进行了1秒、2秒和3秒预测范围的实验。该模型在highD上分别达到Macro F1分数0.9514、0.9256和0.8872，在exiD上分别达到0.9386、0.9070和0.8531。在exiD坡道相邻场景中改进尤为显著，表明时间物理演化在交互密集环境中特别有用。这些结果表明，将进化物理信息描述符与学习的时间表示相结合，为早期车道变更意图预测提供了更具动态性和可解释性的解决方案。
引用
@article{arxiv.2512.24075,
title = {Evolutionary Physics-Informed Temporal Fusion for Lane-Change Intention Prediction},
author = {Jiazhao Shi and Qiyang Xie and Ziyu Wang and Dongxu Zhang and Yichen Lin and Di Zhu and Chen Xie and Ziwei Wang and Haoyun Zhang and Enliang Li and Zetong Guan},
journal= {arXiv preprint arXiv:2512.24075},
year = {2026}
}