Interactive Vehicle Trajectory Prediction Based on Parameterized Transfer Learning Using Encoder–Decoder Network

Ying Zhang

doi:10.1109/tits.2025.3640687

Interactive Vehicle Trajectory Prediction Based on Parameterized Transfer Learning Using Encoder–Decoder Network

2025-01-01

0

PRE

AI

DOI：10.1109/tits.2025.3640687

原文链接

摘要

En 中文

车辆轨迹预测对于自动驾驶车辆理解驾驶场景至关重要。本文提出了一种基于编码器-解码器网络的参数化迁移学习（EDN-PTL）模型来预测车辆轨迹。为提高轨迹预测精度，考虑了目标车辆与周围车辆之间的运动交互，并提出了一种多维时空输入扩展（MSIA）策略来扩展特征维度。此外，通过基于CNN和LSTM的编码器-解码器网络（CNN-LSTM-EDN）提取全局与局部尺度特征以及长短期特征，用于交互式车辆轨迹预测。同时，CNN-LSTM-EDN提取的特征通过堆叠卷积社交池化网络（SCSPN）进行整合。为增强轨迹预测模型的环境适应性，提出PTL策略以赋予EDN-PTL迁移学习能力。基于PTL策略，即使应用于未训练的环境，轨迹预测精度仍能保持。所提出的EDN-PTL模型在三种公开的自然驾驶数据集上进行验证，并与多个基线和最新（SOTA）方法进行比较。验证结果表明，所提出的EDN-PTL相比基线和SOTA方法在预测精度、鲁棒性和环境适应性方面均表现更优。

Interactive Vehicle Trajectory Prediction Based on Parameterized Transfer Learning Using Encoder–Decoder Network

摘要

期刊

机构

引用论文