基于目标的神经物理车辆轨迹预测模型
人工智能
2026-04-20 v2
摘要
车辆轨迹预测在智能交通系统和自动驾驶中起着至关重要的作用，因为它显著影响车辆行为规划和控制，从而影响交通安全和效率。已有大量研究用于预测近期未来的短期车辆轨迹。然而，由于累积误差和不确定性，长期轨迹预测仍然是一个主要挑战。此外，在预测中平衡准确性与可解释性是预测车辆轨迹的另一个具有挑战性的问题。为了应对这些挑战，本文提出了一种基于目标的神经物理车辆轨迹预测模型（GNP）。GNP模型将车辆轨迹预测简化为两个阶段的过程：确定车辆的目标，然后选择适当的轨迹以达到该目标。GNP模型包含两个子模块来实现这一过程。第一个子模块采用多头注意力机制来准确预测目标。第二个子模块将深度学习模型与基于物理的社会力模型相结合，利用生成的目标逐步预测完整轨迹。与四个基线模型相比，GNP展示了最先进的长期预测准确性。我们提供了可解释的可视化结果，以突出我们神经物理框架的多模态性和内在本质。此外，还进行了消融研究以验证我们关键设计的有效性。
引用
@article{arxiv.2409.15182,
title = {Goal-based Neural Physics Vehicle Trajectory Prediction Model},
author = {Rui Gan and Haotian Shi and Pei Li and Keshu Wu and Bocheng An and Linheng Li and Junyi Ma and Chengyuan Ma and Bin Ran},
journal= {arXiv preprint arXiv:2409.15182},
year = {2026}
}