基于风险感知时空交互建模的随机车辆轨迹预测方法

《IEEE Open Journal of Intelligent Transportation Systems》：Risk-Aware Stochastic Vehicle Trajectory Prediction With Spatial-Temporal Interaction Modeling

本文提出一种创新的风险感知随机车辆轨迹预测模型，通过开发独特的风险感知核函数动态提取车辆间空间依赖关系，结合时空图卷积网络(TCN)和时序卷积网络(GCN)实现多模态轨迹预测。实验表明该模型推理速度比传统LSTM模型快8倍以上，预测精度相比最优基准模型提升超过8%，为自动驾驶系统提供了更安全高效的决策支持。

　　

在自动驾驶技术快速发展的今天，车辆如何准确预测周围车辆的行驶轨迹成为确保道路安全的关键挑战。人类驾驶员在驾驶过程中会不断分析周围环境，特别关注那些可能带来碰撞风险的车辆，这种风险感知能力帮助驾驶员提前做出避让决策。然而，现有的自动驾驶系统大多采用被动反应式控制策略，缺乏对人类驾驶员风险感知能力的模拟，导致车辆行为过于保守，影响交通效率。

传统车辆轨迹预测方法主要依赖高精地图(HD maps)信息，但近年来研究发现，无地图(map-free)方法在预测精度和处理速度上反而更具优势。更复杂的是，人类驾驶行为具有明显的随机性和多模态特点——即使在相同驾驶场景下，不同驾驶员或同一驾驶员在不同时间的反应都可能存在差异，这取决于行程紧迫性、天气条件等多种因素。因此，确定性预测方法难以满足实际应用需求，需要开发能够生成多种合理轨迹的随机预测方法。

针对这些挑战，发表在《IEEE Open Journal of Intelligent Transportation Systems》上的研究提出了一种创新的风险感知随机车辆轨迹预测方法。该研究团队由YUXIANG FENG领衔，来自帝国理工学院运输工程与建模中心，他们开发了一种结合时空交互建模的深度学习框架，专门解决复杂交通环境中车辆轨迹预测的准确性和实时性问题。

研究方法上，作者主要采用了三项关键技术：首先，设计了基于车辆动力学风险感知核函数，通过计算车辆间纵向和横向碰撞风险构建加权邻接矩阵；其次，利用图卷积网络(GCN)提取车辆间空间交互特征；最后，使用时序卷积网络(TCN)捕捉时间依赖性，并结合多模态解码器生成随机轨迹预测。模型训练使用了公开的高速公路无人机数据集(highD)和交叉口无人机数据集(inD)，包含超过11万条车辆轨迹数据。

风险感知图构建

研究团队开发了一种独特的风险感知核函数，综合考虑车辆类型、速度、加速度能力等动力学参数，量化车辆间的碰撞风险。如图2所示，该函数能够自动识别高风险交互车辆，特别是同车道内跟车距离较近或车辆制动能力受限的情况（如卡车）。相比传统基于距离的核函数，风险感知方法更符合人类驾驶员的注意力分配机制。

轨迹预测性能

在高速公路场景(highD数据集)中，该方法平均位移误差(ADE)为0.43米，终点位移误差(FDE)为0.79米，相比现有最优模型分别提升8.51%和2.47%。特别是在车辆平均时速104.4公里/小时的情况下，这一精度表现十分突出。图3展示了一个预测实例，可见预测轨迹与真实轨迹高度吻合。

推理速度优势

得益于时序卷积网络(TCN)的并行计算特性，该模型推理速度达到0.023秒，比传统LSTM模型快4-41倍，满足自动驾驶系统实时性要求。同时，负对数似然(NLL)评估表明，该模型在多模态轨迹分布建模方面也优于现有方法。

消融实验验证

通过对比传统核函数，风险感知方法的优越性得到进一步验证。仅基于距离的核函数预测误差显著增大，而风险感知方法通过准确量化交互风险，使预测精度提升42.8%-51.2%。

该研究的核心创新在于将人类驾驶员的风险认知机制融入轨迹预测模型，不仅提高了预测精度，还增强了模型的可解释性——这是自动驾驶系统安全认证的重要考量因素。研究结果证明，无地图方法在车辆轨迹预测任务中具有显著优势，特别是在处理高速公路等相对结构化场景时表现优异。

然而，研究也暴露出一些局限性。在更复杂的交叉口场景(inD数据集)中，模型性能有所下降，说明当前方法对高阶交互关系的捕捉能力仍有提升空间。作者建议未来研究可探索超图表示学习技术，以更好地处理复杂道路几何环境中的多智能体交互问题。

这项研究为自动驾驶车辆提供了更准确、高效的轨迹预测工具，通过模拟人类驾驶员的风险感知能力，使车辆能够更自然地融入交通流，为提升道路安全和交通效率做出了重要贡献。随着技术的进一步完善，这类风险感知模型有望成为下一代自动驾驶系统的核心组件，推动智能交通系统向更高水平发展。