基于时空解耦的多尺度轨迹预测方法OA

【目的】在复杂异构交通场景中,自动驾驶车辆需要同时关注机动车、非机动车及行人等多类交通主体的轨迹,其准确预测对安全决策与路径规划至关重要。然而,现有方法在长时趋势建模和局部细节捕捉方面存在不足,限制了预测精度与泛化能力。【方法】针对上述问题,提出了一种时空解耦Transformer轨迹预测模型(spatial-temporal Transformer model,STTM),引入“空间-时间解耦”框架,并结合多尺度建模机制以兼顾局部与全局特征。首先,采用多头自注意力(multi-head self-attention,MHSA)机制建模不同交通主体间的交互关系,挖掘同一时刻的空间相关性;随后,引入多尺度时间卷积网络(multi-scale temporal convolution network,MS-TCN),在时间维度上实现从短期扰动到长期趋势的多粒度建模。为进一步强化时序特征表达,通过局部与全局建模路径,设计了过去可分解(past decomposable mixing,PDM)模块实现跨尺度特征融合;最后,通过多预测器协作与动态融合机制,构建未来多预测器生成(future multipredictor mixing,FMM)模块,生成稳定且多样化的预测轨迹。【结果】在ApolloScape数据集上进行实验验证,STTM在不同交通主体类别上的轨迹预测加权平均位移误差和加权终点位移误差分别为1.2127 m和2.2446 m,明显优于现有方法。【结论】STTM通过MHSA机制与MS-TCN的协同作用有效建模复杂时空交互,并结合PDM与FMM模块提升预测结果的稳定性与多样性。本文方法在预测精度、泛化能力及复杂环境适应性方面均表现优异,为多主体交通场景下的轨迹预测提供了一种高效可行的解决方案。