基于知识的生成对抗网络在信号灯交叉口多车轨迹预测中的应用

原文约400字，阅读约需1分钟。发表于：。

基于信号化交叉口复杂场景下的车辆轨迹预测，提出了一种融合交通信号信息和多车辆交互的知识增强生成对抗网络（Knowledge-Informed Generative Adversarial Network，KI-GAN）模型，并采用专用的注意力汇聚方法，在 6 秒观测和预测周期内实现了平均位移误差（Average Displacement Error，ADE）为 0.05 和终点位移误差（Final Displacement Error，FDE）为 0.12；当预测窗口扩展到 9 秒时，ADE 和 FDE 值进一步降低至 0.11 和 0.26，验证了该 KI-GAN 模型在复杂场景中车辆轨迹预测的有效性。

该研究提出了一种融合交通信号信息和多车辆交互的知识增强生成对抗网络（KI-GAN）模型，用于车辆轨迹预测。通过专用的注意力汇聚方法，在6秒观测和预测周期内实现了较低的位移误差。该模型在复杂场景中的车辆轨迹预测中表现出有效性。