基于GAT和Transformer的车辆行为预测

摘要

车辆行为预测可以辅助自动驾驶系统进行决策，提高自动驾驶的安全性和效率.然而在不同道路场景下，周围交通参与者(如汽车、自行车及行人等)之间动态的变化会导致预测车辆位置信息存在较大误差，这可能使自动驾驶车辆无法及时采取避让或紧急制动等措施.本文旨在针对结构化和非结构化道路场景，构建交通参与者之间的动态交互时空图，并运用深度学习技术设计一种基于GAT和Transformer的GAN模型，用于车辆行为预测.GAT被用于学习不同参与者之间的相关性和交互规律，而Transformer被用来提取交通参与者运动状态信息的时序特征.分别在NGSIM和ApolloScape数据集进行仿真实验.结果表明，本文模型在长时域的预测表现出更高的精度，同时还具备更轻量级的特点.

关键词

自动驾驶 / 车辆行为预测 / 深度学习 / 图注意力网络

基金资助

北京市自然科学基金-海淀原始创新联合基金项目(L192023)资助