计算机工程

作者：闫建红, 刘芝妍, 王震

单位：太原师范学院计算机科学与技术学院，山西 晋中 030619

关键词：多尺度卷积社交池化,轨迹预测,长短期记忆神经网络,时空注意力机制,多尺度特征融合

基金：山西省重点研发计划(202102010101008); 山西省重点实验室智能优化计算与区块链技术项目

车辆轨迹预测是自动驾驶的重要环节，提升车辆轨迹预测的可靠性和准确性对自动驾驶安全性有很大帮助。道路上车辆行驶受交通环境影响，考虑相邻车辆运动和相对空间位置等交通环境因素，在长短期记忆(LSTM)神经网络编码器-解码器模型基础上引入时空注意力机制，通过时间注意力层关注目标车辆和相邻车辆的历史轨迹，空间注意力层关注车辆的相对空间位置。为了增强特征提取程度和实现更全面的特征融合，使用多尺度卷积社交池增大感受野，融合多尺度特征，并提出基于LSTM编码器-解码器架构融合多尺度卷积社交池和时空注意力机制的车辆轨迹预测模型MCS-STA-LSTM。通过学习车辆运动相互依赖关系，以达到获得目标车辆未来轨迹基于机动类别的多模态预测分布的目的。在公开数据集NGSIM上进行训练、验证和测试，实验结果表明，相较于其他轨迹预测模型，该方法在3 s内的均方根误差平均降低了9.35%，5 s内均方根误差平均降低了5.53%，提高了轨迹预测准确性，在中短期预测上更具有优势。

来源：2025年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2025年第8期