基于Transformer的运动预测研究综述.docVIP

基于Transformer的运动预测研究综述

1运动预测任务概述

运动预测是自动驾驶、智能机器人、人机交互等领域的核心感知任务之一，其目标是根据观测到的目标历史轨迹、环境上下文信息，预测目标未来一段时间内的运动状态与位置分布。传统运动预测方法多基于卡尔曼滤波、隐马尔可夫模型等统计模型，或循环神经网络（RNN）、长短期记忆网络（LSTM）等序列建模架构，但这类方法存在长程时序依赖建模能力不足、多模态交互信息融合效率低、多未来模态预测精度差等固有局限。

自2017年Transformer架构在自然语言处理领域取得突破后，其基于自注意力机制的全局依赖建模能力迅速被迁移到计算机视觉、序列预测等任务中。2020年前后，Transformer开始被广泛应用于运动预测领域，凭借对多源异构信息的融合能力、长时序序列的建模优势以及多模态输出的天然适配性，迅速成为该领域的主流架构，推动运动预测精度实现了量级提升。

2基于Transformer的运动预测核心架构设计

2.1输入嵌入层设计

运动预测任务的输入通常包含三类信息：目标历史轨迹信息、环境语义信息、智能体间交互信息，Transformer架构的输入嵌入层需要将三类异构信息统一映射到相同维度的特征空间。

轨迹信息嵌入：通常将目标的历史位置坐标、速度、加速度、航向角等运动状态，通过线性层映射为高维向量，同时加入时序位置编码，编码方式可分为正弦余