2023年（第45卷）第8期汽车工程AutomotiveEngineering2023（Vol.45）No.8基于车道目标引导的车辆轨迹预测*连静1，2，李硕贤2，刘一荻3，杨东方3，李琳辉1，2（1.大连理工大学，工业装备结构分析国家重点实验室，大连116024；2.大连理工大学汽车工程学院，大连116024；3.重庆长安汽车股份有限公司，重庆400023）［摘要］有效融入车道线信息对准确预测车辆未来行驶轨迹具有重要意义。针对预测模型在融合车道线信息时存在效率低的问题，提出一种基于车道目标引导的车辆轨迹预测方法（GSA），在通过图网络融合车道段的几何及位置信息的基础上，从注意力模型出发，构建一种直接的车道目标点预测模块，由此监督模型将与车辆运动相关联的车道目标特征有效地融合到车辆的运动特征中，并考虑到周围车道拓扑结构随时间的变化。通过两个改进残差结构的Transformer网络依次提取低层运动特征以及融合车道目标点在时间尺度下的前后关联信息，逐步更新车辆运动特征。构建基于图网络的交互融合模块，使车辆运动特征在全局范围内聚合与传播。通过在Argoverse以及长安汽车轨迹预测数据集下的实验，验证了本文所提出的GSA方法能够有效提高复杂交通场景下车辆轨迹预测的精度和质量。关键词：轨迹预测；地图特征编码；目标引导GoalSupervisedAttentionNetworkforVehicleTrajectoryPredictionLianJing1，2，LiShuoxian2，LiuYidi3，YangDongfang3&LiLinhui1，21.DalianUniversityofTechnology，StateKeyLaboratoryofStructuralAnalysisforIndustrialEquipment，Dalian116024；2.SchoolofAutomotiveEngineering，DalianUniversityofTechnology，Dalian116024；3.ChongqingChang’anAutomobileCo.，Ltd.，Chongqing400023［Abstract］Effectivelyintegratinglaneinformationissignificantforaccuratelypredictingthefuturetrajecto‐ryofvehicles.Forthelowefficiencyproblemsexistinginthefusionoflaneinformationofthepredictionmodel，ave‐hicletrajectorypredictionmethodofGoalSupervisedAttention（GSA）isproposed.Basedonfusingthegeometricandpositioninformationofthelanesegmentthroughthegraphnetwork，alanegoalpredictionmoduleisconstruct‐edinthispaperstartingfromtheattentionmodeltodirectlysupervisethemodeltofusethelanegoalfeaturesassoci‐atedwithvehiclemotionintothevehicle’smotioncharacteristicswhileencodingchangesinthesurroundinglane...
