摘要
随着汽车行业的迅速发展，汽车拥有量也在迅速增加，在汽车方便人们出行的同时，随之而来的是日益严重的交通拥堵和交通安全问题。据研究统计，大部分的交通问题都是由人为因素造成的，因此自动驾驶技术的发展受到广泛关注。车辆轨迹预测是自动驾驶技术的重要基石，若能对车辆未来轨迹进行准确的预测，将非常有助于自动驾驶汽车做出决策，从而促进自动驾驶技术的发展。面对日益复杂的交通环境，车辆轨迹预测任务面临着巨大的挑战。 传统的根据物理学模型进行车辆轨迹预测的方法已经无法满足现在的复杂交通场景中频繁的交互问题。为此基于深度学习的方法被引入车辆轨迹预测任务，且获得了优秀的性能。但现在基于深度学习的方法存在冗余计算过多，不能平衡预测的多模态性和准确性的问题，为此，本文进行了相关研究。本文主要的工作包括以下两个方面： (1)提出基于注意力机制的车辆轨迹预测模型，该模型选取合适的场景范围进行编码，减少冗余计算，并根据候选预测轨迹终点概率得分确定非极大值抑制算法(Non-Maximum Suppression，NMS)的阈值，提高预测的多模态性与准确性。首先，使用矢量化方法对合适场景范围内元素进行编码；其次，根据车道中心线等距的采样生成候选预测轨迹终点；然后，通过注意力模型计算候选预测轨迹终点对场景元素的注意力值并通过2层多层感知机(Multilayer Perceptron， MLP)转化为概率得分；最后，使用基于动态阈值的NMS算法选择预测轨迹终点，通过2层MLP生成预测轨迹。模型实验在Argoverse数据集上进行，minADE，minFDE，MR三项指标分别为0.71，1.23，9.2%，优于Argoverse数据集上较先进的模型性能。 (2)在上述工作的基础上，提出了基于高相关目标驱动的车辆轨迹预测模型(HCTNT)。首先，通过计算车道与地图元素的相关性分数，确定高相关车道，进而对高相关车道等距采样获得候选预测轨迹终点；然后，使用基于分支注意力的候选预测轨迹终点相关性分数计算方法，分别计算候选预测轨迹终点与历史轨迹、周边车辆、高相关车道以及车辆与车道交互信息的注意力值，确定候选预测轨迹终点相关性分数；最后，以候选预测轨迹终点相关性分数为基础使用目标选择优化器，确定预测轨迹终点。模型使用两种不同选择优化器分别在Argoverse数据集上进行实验，使用minFDE选择优化器时minFDE指标为1.04，使用MR优化器时MR指标为6.8%，分别取得了Argoverse数据集排行榜上单项指标的最优性能。
NETL