基于时空融合的多头注意力车辆轨迹预测

针对时空维度特征影响自动驾驶车辆轨迹精度的问题，提出基于时空融合的多头注意力（TSMHA）车辆轨迹预测模型，对于空间与时间2个维度的特征信息，分别使用多头注意力机制提取车辆空间交互感知与时间运动模式.为了获得互补特征，并除去特征数据中的冗余，将处理后的时空特征信息传输至门控特征融合模型进行特征融合.使用基于长短期记忆(LSTM)的编解码器结构，考虑编码与解码2个过程中轨迹之间潜在的相互作用，循环生成目标车辆未来预测轨迹.在训练过程中使用L2损失函数，以此降低预测轨迹与真实轨迹的差值.实验表明，与对比算法模型相比，在直线高速公路、城市十字路口、环岛场景下，本研究所提出的模型的精度分别提高了3.95%、 15.64%、31.40%.