MIAT：用于时空轨迹预测的机动意图感知 Transformer
机器学习
2025-08-15 v3
摘要
准确的车辆轨迹预测对于安全高效的自动驾驶至关重要，特别是在人类驾驶和自动驾驶车辆共存的混合交通环境中。然而，由固有驾驶行为（如加速、减速以及左右机动）引入的不确定性对可靠的轨迹预测提出了重大挑战。我们引入了一种机动意图感知 Transformer（MIAT）架构，该架构将机动意图感知控制机制与时空交互建模相结合，以增强长时域轨迹预测。我们系统地研究了不同程度的机动意图感知对短时域和长时域轨迹预测的影响。在真实世界的 NGSIM 数据集上进行评估，并与各种基于 Transformer 和 LSTM 的方法进行基准比较，与其他意图感知基准方法相比，我们的方法在短时域预测中实现了高达 4.7% 的提升，在长时域预测中实现了 1.6% 的提升。此外，通过利用意图感知控制机制，MIAT 在长时域预测中实现了 11.1% 的性能提升，同时短时域性能仅有轻微下降。源代码和数据集可在 https://github.com/cpraskoti/MIAT 获取。
关键词
引用
@article{arxiv.2504.05059,
title = {MIAT: Maneuver-Intention-Aware Transformer for Spatio-Temporal Trajectory Prediction},
author = {Chandra Raskoti and Iftekharul Islam and Xuan Wang and Weizi Li},
journal= {arXiv preprint arXiv:2504.05059},
year = {2025}
}
备注
Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2025