一种基于运动状态的轨迹预测方法.pdfVIP

第42卷第4期计算机应用研究Vol.42No.4

2025年4月ApplicationResearchofComputersApr.2025

一种基于运动状态的轨迹预测方法*

顾一凡，莫磊

（东南大学自动化学院，南京210096）

摘要：针对因为忽略车辆运动状态而导致的车辆预测轨迹不准确的问题，提出了一种基于运动状态的轨迹预

测模型Movement-DenseTNT。首先，对交通参与者的轨迹信息和地图信息以图神经网络的方法进行编码；其次，

使用LSTM提取车辆的运动状态信息；然后，将场景编码信息与在可行驶区域内采样得到的候选轨迹终点集合

通过注意力机制的方式进行信息融合，从而得到每个候选轨迹终点的概率值；最后，通过筛选得到最终的轨迹终

点并进行轨迹补全，以此得到准确的轨迹预测结果。该模型在两个基准数据集上与九个基线模型进行了比较，

实验结果显示,Movement-DenseTNT模型在四个常用评估指标上优于基线模型，验证了加入车辆运动信息可以

有效提升车辆轨迹预测的精度。

关键词：轨迹预测；运动状态；注意力机制；图神经网络

中图分类号：TP273文献标志码：A文章编号：1001-3695(2025)04-015-1080-05

doi:10.19734/j.issn.1001-3695.2024.09.0295

Trajectorypredictionmethodbasedonmotionstate

GuYifan,MoLeit

(SchoolofAutomation,SoutheastUniversity,Nanjing210096,China)

Abstract:Aimingattheproblemofinaccuratevehiclepredictiontrajectorycausedbyignoringthevehiclemotionstate,this

paperproposedatrajectorypredictionmodelbasedonthemotionstatenamedMovement-DenseTNT.Firstly,thetrajectoryin-

formationandmapinformationoftrafficparticipantswereencodedusingthegraphneuralnetworkmethod.Secondly,itused

LSTMtoextractthemotionstateinformationofthevehicle.Then,itfusedthescenecodinginformationwiththesetofcandi-

datetrajectoryendpointssampledinthedrivableareathroughtheattentionmechanism,soastoobtaintheprobabilityvalueof

eachcandidatetrajectoryendpoint.Finally,byfilteringoutthefinaltrajectoryendpointandcompletingthetrajectory,itob-

tainedanaccuratetrajectory.Themodelwascomparedwithninebaselinemodelsontwobenchmarkdatasets.