TrajFusionNet：基于轨迹和视觉表示融合的行人越线意图预测
计算机视觉与模式识别
2025-08-28 v1 机器学习
摘要
随着具备自主能力的车辆在公共道路上的引入，预测行人越线意图已成为活跃的研究领域。预测行人越线意图的任务涉及确定场景中行人是否有可能越线。本文提出了 TrajFusionNet，一种新颖的基于变换器的模型，将未来行人轨迹和车辆速度预测作为先验条件用于预测越线意图。TrajFusionNet 由两个分支组成：序列注意力模块（SAM）和视觉注意力模块（VAM）。SAM 分支从观察和预测的行人轨迹及车辆速度的顺序表示中学习。补充地，VAM 分支通过在场景图像上叠加预测的行人边界框，使其从预测的行人轨迹的视觉表示中学习。通过利用少量轻量级模态，TrajFusionNet 在当前最先进方法中实现了最低的总推理时间（包括模型运行时间和数据预处理）。在性能方面，TrajFusionNet 在用于行人越线意图预测的三个最常用数据集上实现了最先进的结果。
引用
@article{arxiv.2508.19866,
title = {TrajFusionNet: Pedestrian Crossing Intention Prediction via Fusion of Sequential and Visual Trajectory Representations},
author = {François G. Landry and Moulay A. Akhloufi},
journal= {arXiv preprint arXiv:2508.19866},
year = {2025}
}
备注
This work has been submitted to IEEE Transactions on Intelligent Vehicles for possible publication