车辆多目标交互行为建模的轨迹预测方法

摘要: 预测周围智能体的运动轨迹是实现自动驾驶行为决策规划的关键。面对复杂的车辆交互影响和多模态驾驶意图所带来的难题，本文提出一种基于车辆多目标交互行为建模的轨迹预测方法。该方法采用条件变分自编码器生成轨迹终点的多模态结果，结合自注意力机制和多头注意力机制来捕捉车辆之间的群体交互影响，最终使用逆强化学习输出多模态轨迹的最优决策，实现了同步预测多个目标轨迹。在高速公路数据集NGSIM上的实验结果证明该模型的有效性，并且预测效果整体优于现有方法。

• 关键词: 
• 轨迹预测  /  
• 注意力机制  /  
• 多目标交互  /  
• 多模态预测  /  
• 条件变分自编码器  /  
• 端点生成  /  
• 逆强化学习  /  
• 决策校正  

在复杂的道路交通场景中，自动驾驶汽车需要做出安全高效的决策规划，如更换车道、超车或者减速。现有的路径规划算法[1]大多依赖于对周围车辆未来轨迹的估计预测。因此，自动驾驶汽车需要对周围车辆的行为做出合理的推测，从而避免碰撞事故。

车辆轨迹预测是指在给定一段历史时期的车辆运动轨迹和场景信息的情况下，对一段未来时期的车辆运动位置进行推断。该问题的难点主要包括：1）车辆之间的动态交互会对车辆行驶轨迹产生影响，需要对其交互模式进行建模；2）目前车辆行驶主要由驾驶员操控，受诸多因素影响，如驾驶风格、状态、意图、道路条件等，同一条历史轨迹可能存在多条合理的未来轨迹。因此车辆轨迹预测是一个存在空间、时间以及车辆交互等多种依赖关系的多模态问题。为了解决上述问题ÿ