江苏大学学报(自然科学版)

作者：曹瑞阳1,2,李诗雨3,刘擎超3,丁延超4

单位：1. 江苏大学 京江学院， 江苏 镇江 212028； 2. 香港理工大学 工程学院， 香港 999077； 3. 江苏大学 汽车工程研究院， 江苏 镇江 212013； 4. 清华大学 苏州汽车研究院， 江苏 苏州 215200

关键词：自动驾驶, 行人轨迹预测, CrossFormer, Transformer, 注意力机制, 深度学习, 复杂场景分析, 多模态数据融合, 预测精度

基金：国家自然科学基金资助项目（52372413）

在自动驾驶车辆周边行人轨迹预测中，针对现有方法在长时预测任务中表现不足，尤其是对复杂场景适应性较低的问题，提出了一种新方法.给出了行人轨迹预测问题建模流程，构建了基于CrossFormer的行人轨迹预测方法.新方法通过维度分段嵌入技术显式学习相邻时间帧的相关性；结合两阶段注意力机制层，充分学习行人轨迹的长时依赖关系；利用分层编码器-解码器结构，自适应地捕获行人轨迹在不同时间尺度上的依赖性，提高模型在长时预测上的可扩展性.新方法创新性地结合了多模态信息融合、自注意力机制和可扩展性优化，实现了对行人轨迹预测任务的高效解决.在ETH轨迹数据、江苏大学校园内行人轨迹数据（JDD）这两个数据集完成了试验，进行了时间序列的分割性分析以及定量、定性分析.结果表明，在ETH数据集上，新方法的平均位移误差ADE、最终位移误差FDE值分别为0.627、1.32，均显著优于传统方法如LSTM（0.895、1.74）和SR-LSTM（0.728、1.66）等；在JDD数据集上，新方法的ADE、FDE值分别为0.281、0.53，远优于GAN（0.562、1.01）、STGAT（0.673、1.43）等模型；新方法在复杂场景下的鲁棒性和泛化能力也得到了验证.

来源：2025年第3期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2025年第3期