.png){kind=icon}
返回
Diff-Pre: A Diffusion Framework for Trajectory Prediction
.png){kind=icon}
PRE
AI
DOI：10.3390-s25154603.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着智能交通的快速发展，准确预测车辆轨迹对于确保道路安全和提升交通效率至关重要。本文提出了一种轨迹预测模型，该模型整合了扩散模型框架，并融合了目标车辆及邻近车辆的轨迹特征以及驾驶意图。该模型以目标车辆和邻近车辆的历史轨迹作为输入，采用长短期记忆（LSTM）网络提取时序特征，并通过多头注意力机制动态捕捉目标车辆与邻近车辆之间的交互。意图模块用于调节横向偏移量，扩散框架从多种可能的预测结果中选择最可能的轨迹，从而提升模型处理复杂场景的能力。在真实交通数据上的实验表明，所提出的方法在平均位移误差（ADE）和最终位移误差（FDE）方面优于多个代表性模型，且未牺牲效率。值得注意的是，该方法在交互频繁且不确定的场景（如换道和超车）中表现出更高的鲁棒性和预测精度。据我们所知，这是扩散框架在车辆轨迹预测中的首次应用。本研究为车辆轨迹预测任务提供了一种高效的解决方案。在1到5秒的预测范围内，平均ADE达到0.199米，平均FDE达到0.437米。
Keyword:
trajectory prediction
diffusion model
LSTM
multi-head attention
driving intention
期刊
IF:
3.5
论文数:
7.2W
被引数:
20.9W
机构
引用论文
.png){kind=icon}
分享收藏
Vehicle Trajectory Prediction in Connected Environments via Heterogeneous Context-Aware Graph Convolutional Networks通过异构上下文感知图卷积网络在连接环境中进行车辆轨迹预测
PREAI
分享收藏分享收藏
查看更多内容