.png){kind=icon}
返回
PhysiCycle: A Physically Consistent Multitask Learning Framework for Intention-Aware Cyclist Trajectory Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/TITS.2025.3632846.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测骑行者轨迹对于复杂交通场景下安全可靠的自动驾驶和智能交通系统（ITSs）至关重要。为解决骑行者多样化意图和非线性运动模式带来的挑战，我们提出PhysiCycle，一种新颖的多任务学习框架，用于联合预测未来轨迹和转向意图。该框架融合可解释的物理建模与深度学习，以提升预测精度和行为一致性。我们的模型整合了双路径编码器以提取时序运动线索和行为特征、意图分类器模块，以及具有自行车运动学一致性约束的物理一致性解码器。在真实世界骑行者行为数据集上的实验结果表明，我们的方法在意图分类和轨迹精度两方面均显著优于基线模型，实现了强物理合理性和泛化性能。
Keyword:
Autonomous driving
physically consistent
multitask learning
intent classification
cyclist trajectory prediction
期刊
IF:
8.4
论文数:
9.7K
被引数:
6.3W
机构
引用论文
Goal-Oriented Pedestrian Trajectory Prediction Considering Spatial-Temporal Interactions考虑时空交互作用的面向目标的行人轨迹预测
.png){kind=icon}
PREAI
分享收藏
分享收藏
查看更多内容