基于车道框架的量子多模态驾驶预测：用于自动驾驶车辆轨迹

自动驾驶的轨迹预测必须在紧张的计算和延迟约束下提供准确且已校准的多模态未来。我们提出一种紧凑的混合量子体系结构，通过以 ego-centric、车道对齐框架运作，预测对运动学基线的残差修正，而非绝对姿态。该模型组合了一个受 transformer 启发的量子注意力编码器（9量子比特），一个参数精简的量子前馈堆叠（64层，约1200个可训练角度），以及一个基于浅层纠缠和相位叠加的傅里叶解码器，用于单次传递生成16个轨迹假设，模式置信度来自潜在谱。所有电路参数通过同时扰动随机逼近（SPSA）进行训练，规避了对非解析组件的反向传播。在Waymo Open Motion 数据集上，该模型在16个预测模型的16个模型中实现了 minADE（最小平均位移误差）为 \SI{1.94}{m}，minFDE（最小最终位移误差）为 \SI{3.56}{m}，在2.0秒的预测时域内，持续优于运动学基线，误差率显著降低且召回率强劲。消融实验确认，车道框架中的残差学习、截断傅里叶解码、浅层纠缠和谱基准排序将容量聚焦于关键所在，实现稳定优化和可靠的小型浅层量子电路在现代自动驾驶基准测试中的多模态预测。