计算机应用研究

作者：孙颖,吴延勇,丁德锐,张建坤,

单位：上海理工大学a.管理学院;b.光电信息与计算机工程学院,上海200093；

关键词：车辆轨迹预测,深度学习,Transformer,多头注意力机制,时空特征融合,智能驾驶,

基金：国家自然科学基金资助项目(62203306,62373251)；；

自动驾驶领域下的智能体轨迹预测任务需要充分考虑到智能体与交通环境之间的关系。为了解决现有方法在异构特征交互层面的局限，提高预测精度，提出一种基于边更新与多头注意力交互融合Transformer的车辆轨迹预测方法EMATNet（edge-updating multi-head attention Transformer network）。该方法首先编码嵌入智能体与交通环境信息的历史时空信息；接着通过所提出的边更新与多头注意力交互融合Transformer两阶段式交互网络，引入对称位姿嵌入与车路关系交互，有效增强全局信息感知与时空关系捕捉能力；最终采用两阶段式优化解码确保预测结果的准确性与合理性。在Argoverse 1和Argoverse 2两个运动预测数据集验证模型有效性，并可视化分析预测结果。结果表明，EMATNet在minFDE、minADE、MR指标上均优于同类方法，能够胜任复杂交通环境车辆轨迹预测任务。

来源：2025年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第8期