融合时空特征的多模态车辆轨迹预测方法

摘要：

        针对考虑车辆行驶不确定性的轨迹分布准确快速预测问题，提出了一种融合时空特征的多模态车辆轨 迹预测方法（GCNTA）。首先，利用空间关联度系数和图卷积神经网络（GCN）实现空间关联特征提取。 其次，构建具有时间注意力机制的时域卷积网络（TCN）完成时间特征提取。然后，通过特征融合门控单元 实现每个时间步长对应时空特征的自适应融合，并利用门控循环单元（GRU）网络构建解码器进一步生成未 来车辆轨迹的概率分布。

1 问题描述

1.1 多模态轨迹预测建模

        车辆轨迹预测可定义为：给定所有邻近车 辆在过去时间范围 T 上的位置 X ，其目标是预测它们 在未来时间范围 H 中的轨迹分布 Y 。      

1.2 车辆空间关联度分析  

        使用协方差作相关系数

2 GCNTA 多模态轨迹预测模型

        

2.1 空间图卷积模块

        将空间相关矩阵 S 与图的邻接矩阵 A 进行聚合， 得到空间相关矩阵 .

2.2 时间特征提取模块

        GCNTA 模型的时间特征提取由添加注意力机制的 TCN-Attention 模块组成.

2.3 时空特征融合模块

        

2.4 轨迹预测模块

        为使网络具有更高的泛化性能和鲁棒性，在隐向量中加入随机高斯噪声Z

3 仿真实验与结果分析

无