面向高速公路合流区多车轨迹预测的车道感知图注意力网络
系统与控制
2026-05-14 v2 系统与控制
摘要
高速公路合流与分流区域精确的多车轨迹预测是自动驾驶系统决策框架的基础。然而，现有的大多数基于图的预测模型都是在主线高速公路路段上开发和验证的，并未解决合流区特有的几何结构交互特征。此外，标准的评估协议仅依赖位移误差指标，未对预测轨迹的安全后果进行量化。本文提出了一种车道感知图注意力网络（LA-GAT），该网络在动态场景图中编码车辆交互，并增加了一个可训练的车道关系注意力偏置，从训练伊始就优先考虑合流冲突交互。该模型在原始 NGSIM US-101 和 I-80 数据集上进行预训练，随后在中国高速公路合流区的无人机捕获 UTE SQM-W-1 轨迹数据上进行微调，并在留出的 SQM-W-2 数据集上进行最终评估。评估涵盖了位移指标（1 秒、3 秒、5 秒预测时域下的 ADE、FDE）和替代安全指标（TTC 违规率、DRAC 超限率、碰撞率）。在 SQM-W-2 上的微调结果在 1 秒时 ADE 为 0.865 米，3 秒时为 2.518 米，表明基于无人机数据的微调显著缩小了跨数据集迁移差距。我们有意使用未过滤的 NGSIM 数据来表征原始条件下的泛化极限，其性能下降归因于该数据集中有据可查的测量误差。
引用
@article{arxiv.2605.11940,
title = {Lane-Aware Graph Attention Network for Multi-Vehicle Trajectory Prediction in Expressway Merge Zones},
author = {Eni Solomon Laughter},
journal= {arXiv preprint arXiv:2605.11940},
year = {2026}
}