基于注意力机制的车辆轨迹预测模型.pdfVIP

2024年10月计算机应用文摘第40卷第20期

基于注意力机制的车辆轨迹预测模型

韦鹏飞，陈正杰，韦行，李孟益

（中国矿业大学（北京）人工智能学院，北京100083）

摘要：对于自动驾驶系统而言，准确预测车辆轨迹是提高道路安全性和驾驶舒适性的关键。基于长

短时记忆网络（LSTM）和注意力机制，文章提出了一种改进的车辆轨迹预测模型。通过引入时空注意

力机制，该模型能够自适应地聚合车辆历史轨迹和周围环境信息，从而更准确地预测未来轨迹。实验

结果显示，与传统LSTM模型相比，该模型在所有预测时间点上均显示出更低的根均方误差，且其性

能提升在长期预测任务中更为显著。这证实了注意力机制在处理车辆轨迹预测长期依赖问题上的有

效性。

关键词：车辆轨迹预测；长短期记忆网络；注意力机制；自动驾驶；卷积社会池化

中图分类号：TP183文献标识码：A

Vehicletrajectorypredictionmodelbasedonattentionmechanism

WEIPengfei，CHENZhengjie，WEIHang，LIMengyi

（CollegeofArtificialIntelligence，ChinaUniversityofMiningandTechnology（Beijing），Beijing100083，China）

Abstract：Forautodrivesystem，accuratepredictionofvehicletrajectoryisthekeytoimproveroad

safetyanddrivingcomfort.BasedonLongShortTermMemory（LSTM）networkandattention

mechanism，thisarticleproposesanimprovedvehicletrajectorypredictionmodel.Byintroducing

spatiotemporalattentionmechanism，thismodelcanadaptivelyaggregatevehiclehistorical

trajectoriesandsurroundingenvironmentalinformation，therebymoreaccuratelypredictingfuture

trajectories.TheexperimentalresultsshowthatcomparedwithtraditionalLSTMmodels，thismodel

exhibitslowerrootmeansquareerroratallpredictiontimepoints，anditsperformanceimprovement

ismoresignificantinlong-termpredictiontasks.Thisconfirmstheeffectivenessofattention

mechanismsinaddressingthelong-termdependencyproblemofvehicletrajectoryprediction.

Keywords：vehicletrajectoryprediction，LSTM，attentionmechanism，autonomousdriving，

convolutionalsocialpooling