基于混合专家的无地图快速轨迹预测多域特征选择与融合
计算机视觉与模式识别
2026-01-26 v2 人工智能
摘要
轨迹预测是确保自动驾驶系统可靠性和安全性的关键技术，但在复杂互动场景中仍面临挑战，因噪声轨迹观测和复杂智能体互动导致效果受限。现有方法常难以过滤冗余场景数据以提取判别性信息，直接影响轨迹预测准确性，尤其在处理异常值和动态多智能体互动时。为此，本文提出一种新型无地图轨迹预测方法，通过自适应消除冗余信息并在时、空、频域选择判别性特征，从而实现真实驾驶环境中精准的轨迹预测。首先，我们设计一种基于混合专家的频域滤波器，自适应加权观测轨迹数据的不同频率分量，抑制与异常值相关的噪声；随后提出选择性时空注意力模块，重新分配时序节点（顺序依赖）、时序趋势（演化模式）和空间节点的权重，以提取显著信息。最后，本文通过联合 patch 级和点级损失监督的多模态解码器生成合理且时序一致的轨迹。大规模 NuScenes 和 Argoverse 数据集上的实验表明，本方法在与近期方法相比下实现了竞争性能和低延迟推理性能。
引用
@article{arxiv.2512.02368,
title = {MoE-Enhanced Multi-Domain Feature Selection and Fusion for Fast Map-Free Trajectory Prediction},
author = {Wenyi Xiong and Jian Chen and Ziheng Qi and Wenhua Chen},
journal= {arXiv preprint arXiv:2512.02368},
year = {2026}
}