层次时空注意力网络：基于自适应风险感知决策的复杂场景前碰撞警告
机器学习
2025-11-26 v1
摘要
前碰撞警告系统对于车辆安全和自动驾驶至关重要，但当前方法常常难以在精确的多代理相互作用建模与实时决策可适应性之间取得平衡，这体现在为边缘部署的高计算成本以及源于简化相互作用模型的不可靠性。为克服这些双重挑战——计算复杂度和建模不足——以及传统静态阈值警告的高误报率，本文引入一个集成框架，将层次时空注意力网络与动态风险阈值调整算法配对。HSTAN采用解耦架构（用于空间的图注意力网络，级联GRU配合自注意力用于时间）以实现卓越的性能和效率，仅需12.3毫秒的推理时间（比Transformer方法快73%），将平均位移误差 (ADE) 降低至0.73米（比Social_LSTM好42.2%），在NGSIM数据集上。此外，共轭分位回归通过生成预测区间（在90%置信水平下达到91.3%的覆盖率）来增强可靠性，DTRA模块随后通过基于物理的风险势能函数和受统计过程控制启发的自适应阈值机制将其转换为及时的警告。经过多个场景数据集测试，完整系统表现出高效能，实现F1得分0.912，误报率低于8.2%，并拥有2.8秒的充足警告前置时间，验证了该框架在复杂环境中的卓越性能和实际部署可行性。
引用
@article{arxiv.2511.19952,
title = {Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios},
author = {Haoran Hu and Junren Shi and Shuo Jiang and Kun Cheng and Xia Yang and Changhao Piao},
journal= {arXiv preprint arXiv:2511.19952},
year = {2025}
}