基于MAM-LSTM分层编码架构的车辆轨迹预测方法

作者	单位
葛亚敏，陈昕，肖存乐，于嘉汛

摘要点击次数: 45

全文下载次数: 0

中文摘要:

针对高速公路交互场景下车辆轨迹预测精度不足及长时域误差累积问题，提出一种基于多模态注意力模块-长短记忆网络（MAM-LSTM）分层编码架构的车辆轨迹预测模型。该模型基于下一代仿真数据集（NGSIM）中I-80与US-101路段轨迹数据，利用目标车辆及其周围车辆过去3 s的交互状态，预测未来5 s的二维轨迹；模型采用编码器-解码器结构，在编码端融合长短期记忆网络（LSTM）、双重注意力机制与Mamba模块，分别提取车辆历史运动序列中的局部时序动态特征，并进行增强关键交互记忆及长程依赖建模；模型解码端采用LSTM自回归生成未来轨迹。研究结果表明：所提出模型在5 s预测终点的最终位移误差（FDE）为2.15 m，在长时域预测中具有较好的精度和稳定性；通过消融试验进一步验证了双重注意力机制与Mamba 模块的协同作用。

英文摘要:

查看全文查看/发表评论

关闭