Great GATsBi：使用预测机制的混合多模态自行车轨迹预测
机器学习
2025-08-21 v1
摘要
从高级驾驶辅助系统到自动驾驶，许多应用越来越需要准确预测道路使用者的运动，这对道路安全尤其关键。尽管大多数交通事故死亡人数涉及自行车，但自行车受到的关注却很少，因为以往的工作主要集中在行人和机动车辆上。在这项工作中，我们提出了 Great GATsBi，一个基于领域知识的、混合的、多模态的自行车轨迹预测框架。该模型结合了基于物理的建模（受机动车辆启发）和基于社会的建模（受行人运动启发），以明确解释自行车运动的双重性质。社会交互使用图注意力网络进行建模，并包含衰减的历史轨迹数据，以及根据心理学和社会学研究的最新见解，包含自行车邻域的预期未来轨迹数据。结果表明，所提出的物理模型集成——在短期预测中表现良好——和社会模型集成——在长期预测中表现良好——超过了最先进的性能。我们还进行了一项受控的大规模自行车实验，以展示该框架在预测自行车轨迹和建模与道路使用者的社会交互时的性能。
引用
@article{arxiv.2508.14523,
title = {Great GATsBi: Hybrid, Multimodal, Trajectory Forecasting for Bicycles using Anticipation Mechanism},
author = {Kevin Riehl and Shaimaa K. El-Baklish and Anastasios Kouvelas and Michail A. Makridis},
journal= {arXiv preprint arXiv:2508.14523},
year = {2025}
}