轨迹拓扑引导的多智能体轨迹预测模型

摘要

为解决现有轨迹预测方法难以准确理解交互关系与复杂场景信息的问题，提出轨迹拓扑引导的多智能体轨迹预测模型(trajectory topology-guided, TTG)。采用时空特征编码方法对场景信息进行编码，利用拓扑融合器与拓扑解码器对编码特征进行提取，并计算交互概率。利用特征融合模块对未来预测轨迹进行场景道路约束，在Argovese运动预测基准数据集进行实验分析。结果表明：TTG的概率加权最小最终位移误差b-mFDE6为1.73,最小平均位移误差mADE6为0.76,相比基准模型SIMPL分别减少4.42%与3.8%。

关键词

轨迹预测 / 多智能体 / 特征编码 / 轨迹拓扑