《Beni-Suef University Journal of Basic and Applied Sciences》：An improved algorithm for prediction of vehicle trajectories using short-term goal-driven network
編輯推薦：
為解決自動駕駛系統中車輛軌跡預測的不確定性及輸入特征關聯性問題，研究人員開展基于短期目標驅動網絡（STG）的軌跡預測研究。利用 LSTM 和注意力機制，在 Argoverse 數據集上實現平均位移誤差降低超 6%、最終位移誤差降低超 8%，提升自動駕駛安全性。
在自動駕駛領域，精準預測車輛軌跡是保障行車安全的核心挑戰。想象這樣的場景：當車輛行駛至十字路口，周圍車輛的變道、轉向意圖充滿不確定性，傳統模型難以捕捉這些動態行為，導致預測誤差較大�，F有方法多依賴單一最終目標預測，然而復雜交通環境中駕駛員意圖的多模態分布（如直行、轉彎、加減速等）以及地圖數據與動態軌跡的強關聯性，使得傳統物理模型和規則系統在處理高不確定性和特征交互時力不從心。如何讓自動駕駛系統像人類一樣 “預判” 周圍車輛的行為路徑，成為亟待突破的技術瓶頸。
為攻克這一難題，來自埃及赫爾萬大學（Helwan University）的研究團隊開展了一項創新性研究。他們提出一種基于短期目標驅動網絡（Short-Term Goal Network, STG）的車輛軌跡預測算法，相關成果發表在《Beni-Suef University Journal of Basic and Applied Sciences》。該研究通過引入多個短期目標替代單一最終目標，顯著提升了軌跡預測的精度和可靠性，為自動駕駛的環境感知能力提供了新的技術路徑。
研究關鍵技術方法
研究采用長短期記憶網絡（Long Short-Term Memory, LSTM）作為核心架構，結合注意力機制（Attention Mechanism）建模車輛間的交互關系。具體流程包括：
- 多源數據編碼：將車輛歷史軌跡（Agent Past States）、其他道路參與者軌跡（Other Road Members）和高精地圖數據（HD Map）轉換為以自車為中心的坐標系（Agent-Centric Coordinate System），通過 LSTM 網絡提取時序特征，利用全連接神經網絡（Fully Connected Neural Network, FC-NN）處理地圖的語義信息（如車道中心線、轉向屬性等）。
- 短期目標預測：將預測時域劃分為多個短期目標（如 10、20、30 時刻），通過 LSTM 解碼器依次預測各階段目標，利用注意力機制評估目標相關性，避免單一目標誤差對整體軌跡的影響。
- 軌跡生成與優化：基于預測的短期目標，通過多層感知機（Multi-Layer Perceptron, MLP）生成未來軌跡，并采用均方根誤差（Root Mean Square Error, RMSE）損失函數優化預測結果，確保軌跡與真實值的貼合度。
研究結果
3.1 短期目標數量對預測性能的影響
通過在 Argoverse 數據集上的實驗發現，當短期目標數量為 3 個（時刻 10、20、30）時，模型性能最佳。此時平均位移誤差（Average Displacement Error, ADE）為 0.711，最終位移誤差（Final Displacement Error, FDE）為 1.075，顯著優于單一目標預測（ADE=0.726, FDE=1.100）。進一步增加目標數量會導致模型復雜度上升，預測精度下降，驗證了適度分解目標的有效性。
3.2 與現有目標驅動模型的對比
在 Argoverse 驗證集上，STG 網絡與 TNT、DenseTNT、LaneRCNN 等模型相比，展現出更強的預測能力。STG 的 minADE（K=6）為 0.71，minFDE 為 1.07，均低于對比模型（如 TNT 的 minADE=0.73, minFDE=1.29），表明其在捕捉軌跡細節和終點精度上更具優勢。盡管漏檢率（Miss Rate, MR）略高（12.8%），但整體預測誤差的降低仍體現了方法的先進性。
3.3 測試集性能與實際場景驗證
在 Argoverse 測試集上，STG 網絡的 minADE 為 0.86，minFDE 為 1.35，超越了基線模型（Baseline）和多數對比算法，躋身先進水平。通過可視化不同場景下的預測結果（如靜止車輛左轉、無轉向直行等），發現 STG 能有效利用地圖語義信息補全缺失軌跡，在復雜交互場景中保持較高的預測一致性。
研究結論與意義
本研究首次將短期目標分解策略引入車輛軌跡預測，通過 LSTM 與注意力機制的結合，成功解決了單一目標預測的不確定性難題。實驗結果表明，該方法在保持計算效率的同時，顯著提升了預測精度，為自動駕駛系統處理動態交通環境提供了更可靠的技術方案。
研究的創新性在于：
- 目標分解策略：將長期預測拆解為多個短期子任務，降低模型復雜度，提高中間目標的可解釋性。
- 多模態融合：整合車輛動態軌跡、地圖語義和交互關系，通過注意力機制動態分配特征權重，增強模型對復雜場景的適應性。
- 工程實用性：在 Argoverse 等大規模數據集上的優異表現，驗證了算法在真實交通環境中的泛化能力，為自動駕駛的實時決策提供了理論支撐。
盡管研究存在序列預測誤差累積、自車中心建模的計算冗余等局限，但所提出的 STG 框架為后續研究提供了重要方向，如結合場景中心建模（Scene-Centric Modeling）或圖卷積網絡（Graph Convolutional Network, GCN）進一步提升全局交互建模能力。該成果不僅推動了車輛軌跡預測技術的發展，更為自動駕駛的安全性和可靠性奠定了關鍵基礎，有望在智能交通系統中實現廣泛應用。
