TransFollower：基于Transformer的长序列跟车轨迹预测
人工智能
2022-02-08 v1 计算机视觉与模式识别
机器学习
摘要
跟车是指后车（FV）通过根据前车（LV）的动作调整自身加速度，从而与前方车辆保持安全距离的控制过程。相应的跟车模型描述了交通流中一辆车如何跟随另一辆车，构成了微观交通仿真和智能车辆开发的基石。跟车模型的一个主要动机是复现人类驾驶员的纵向驾驶轨迹。为建模未来动作对历史驾驶情形的长期依赖，我们基于注意力机制的Transformer模型开发了一个长序列跟车轨迹预测模型。该模型遵循编码器-解码器架构的通用形式。编码器以历史速度和间距数据作为输入，并利用多头自注意力形成历史驾驶情境的混合表示。解码器以未来LV速度剖面作为输入，并以生成式方式（而非自回归方式，避免误差累积）输出预测的未来FV速度剖面。通过编码器与解码器之间的交叉注意力，解码器学习建立历史驾驶与未来LV速度之间的联系，并据此获得未来FV速度的预测。我们使用从上海自然驾驶研究（SH-NDS）中提取的112,597个真实世界跟车事件对模型进行训练和测试。结果表明，该模型在长序列轨迹预测精度上优于传统的智能驾驶员模型（IDM）、全连接神经网络模型以及基于长短期记忆（LSTM）的模型。我们还可视化了自注意力和交叉注意力热力图，以解释模型如何得出其预测。
引用
@article{arxiv.2202.03183,
title = {TransFollower: Long-Sequence Car-Following Trajectory Prediction through Transformer},
author = {Meixin Zhu and Simon S. Du and Xuesong Wang and Hao and Yang and Ziyuan Pu and Yinhai Wang},
journal= {arXiv preprint arXiv:2202.03183},
year = {2022}
}