智能交通
汪磊, 张恒, 关志伟, 潘勇, 温立志, 魏明江
【目标】针对高速公路交织区人机混合交通流交互场景下的无人车辆换道意图与轨迹预测问题,提出一种基于动态时空融合的Gra-Informer融合架构预测模型。【方法】该模型首先基于车辆交互拓扑的图神经网络提取高维意图特征,建立意图感知的时空表征;其次编码器采用概率稀疏注意力机制结合时序蒸馏技术,实现长序列特征的高效提取与压缩;最终解码器将意图特征作为条件先验,驱动车辆轨迹的预测生成。【结果】采用经 Savitzky-Golay滤波处理的自然驾驶数据对模型进行训练、验证与测试。Gra-Informer 融合模型在换道意图预测中达成91.54%的准确率。在性能对比中,模型展现出突出的时空特征建模能力,3 s短时域预测中,平均位移误差降低12.32%~30.06%,终点误差和误判率均降低4.00%~30.29%;在5 s长时域预测中,平均位移误差降低17.51%~33.33%,终点误差降低17.19%~33.47%,误判率降低17.50%~33.50%,体现出在交互场景下建模时序耦合特征的优势。【结论】Gra-Informer模型通过时空联合建模和意图-轨迹协同优化机制,能有效捕捉无人车与交通车辆间的动态交互特征,通过引入意图先验信息作为轨迹预测的条件约束,不仅保证了预测无人车辆轨迹的物理合理性,还显著提升了长时域轨迹预测的准确性和稳定性。