探索Transformer增强的LSTM在轨迹预测中的时空特征学习
机器人学
2024-12-19 v1 计算机视觉与模式识别
机器学习
摘要
准确的车辆轨迹预测对于确保安全高效的自动驾驶至关重要。本文探索了将基于Transformer的模型与基于长短期记忆（LSTM）的技术相结合，以增强车辆轨迹预测中的时空特征学习。我们提出了一种混合模型，该模型结合了用于时间编码的LSTM和用于捕捉车辆间复杂交互的Transformer编码器。相邻车辆的空间轨迹特征经过处理，在基于网格的环境中通过掩码散射机制，然后与车辆的时间轨迹相结合。这些组合的轨迹数据通过顺序LSTM编码和基于Transformer的注意力层进行学习。所提出的模型与基于LSTM的前代方法（包括STA-LSTM、SA-LSTM、CS-LSTM和NaiveLSTM）进行了基准测试。我们的结果虽然未能超越前代方法，但展示了将Transformer与LSTM技术相结合以构建可解释轨迹预测模型的潜力。未来的工作将探索使用Transformer应用的替代架构以进一步提升性能。本研究为通过利用基于Transformer的架构改进轨迹预测模型提供了一个有前景的方向，为更鲁棒和可解释的车辆轨迹预测系统铺平了道路。
引用
@article{arxiv.2412.13419,
title = {Exploring Transformer-Augmented LSTM for Temporal and Spatial Feature Learning in Trajectory Prediction},
author = {Chandra Raskoti and Weizi Li},
journal= {arXiv preprint arXiv:2412.13419},
year = {2024}
}