基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望
对周围车辆轨迹的精确预测可以辅助自动驾驶车辆做出合理的即时决策。虽然相比传统轨迹预测算法，深度学习方法已取得较好效果，但是自动驾驶车辆在异构高动态复杂变化环境下实现多模态高精度预测仍存在信息丢失、交互和不确定性难以建模、预测缺乏可解释性等问题。Transformer具备的长距离建模能力和并行计算能力使其不仅在自然语言处理领域取得巨大成功，而且在扩展至自动驾驶多模态轨迹预测任务时也解决了以上问题。基于此，对过去基于深度神经网络的方法，特别是对基于Transformer的方法进行全面总结与回顾；同时分析了Transformer相较于传统序列网络、图神经网络、生成模型的优势，并结合现有难题进行针对性...
| Main Author: | |
|---|---|
| Format: | Article |
| Language: | zho |
| Published: |
POSTS&TELECOM PRESS Co., LTD
2023-06-01
|
| Series: | 智能科学与技术学报 |
| Subjects: | |
| Online Access: | https://www.infocomm-journal.com/znkx/CN/10.11959/j.issn.2096-6652.202317 |
| _version_ | 1827396839720091648 |
|---|---|
| author | 黄峻, 田永林, 戴星原, 王晓, 平之行 |
| author_facet | 黄峻, 田永林, 戴星原, 王晓, 平之行 |
| author_sort | 黄峻, 田永林, 戴星原, 王晓, 平之行 |
| collection | DOAJ |
| description | 对周围车辆轨迹的精确预测可以辅助自动驾驶车辆做出合理的即时决策。虽然相比传统轨迹预测算法，深度学习方法已取得较好效果，但是自动驾驶车辆在异构高动态复杂变化环境下实现多模态高精度预测仍存在信息丢失、交互和不确定性难以建模、预测缺乏可解释性等问题。Transformer具备的长距离建模能力和并行计算能力使其不仅在自然语言处理领域取得巨大成功，而且在扩展至自动驾驶多模态轨迹预测任务时也解决了以上问题。基于此，对过去基于深度神经网络的方法，特别是对基于Transformer的方法进行全面总结与回顾；同时分析了Transformer相较于传统序列网络、图神经网络、生成模型的优势，并结合现有难题进行针对性分析与分类。Transformer模型可以更好地应用于多模态轨迹预测任务，此类模型具有更好的泛化性和可解释性。最后，对多模态轨迹预测未来发展方向进行了展望。 |
| first_indexed | 2024-03-08T18:57:27Z |
| format | Article |
| id | doaj.art-018e56c2b63d41b7939d4fa578af390e |
| institution | Directory Open Access Journal |
| issn | 2096-6652 |
| language | zho |
| last_indexed | 2024-03-08T18:57:27Z |
| publishDate | 2023-06-01 |
| publisher | POSTS&TELECOM PRESS Co., LTD |
| record_format | Article |
| series | 智能科学与技术学报 |
| spelling | doaj.art-018e56c2b63d41b7939d4fa578af390e2023-12-28T09:46:49ZzhoPOSTS&TELECOM PRESS Co., LTD智能科学与技术学报2096-66522023-06-015218019910.11959/j.issn.2096-6652.202317基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望黄峻, 田永林, 戴星原, 王晓, 平之行对周围车辆轨迹的精确预测可以辅助自动驾驶车辆做出合理的即时决策。虽然相比传统轨迹预测算法，深度学习方法已取得较好效果，但是自动驾驶车辆在异构高动态复杂变化环境下实现多模态高精度预测仍存在信息丢失、交互和不确定性难以建模、预测缺乏可解释性等问题。Transformer具备的长距离建模能力和并行计算能力使其不仅在自然语言处理领域取得巨大成功，而且在扩展至自动驾驶多模态轨迹预测任务时也解决了以上问题。基于此，对过去基于深度神经网络的方法，特别是对基于Transformer的方法进行全面总结与回顾；同时分析了Transformer相较于传统序列网络、图神经网络、生成模型的优势，并结合现有难题进行针对性分析与分类。Transformer模型可以更好地应用于多模态轨迹预测任务，此类模型具有更好的泛化性和可解释性。最后，对多模态轨迹预测未来发展方向进行了展望。https://www.infocomm-journal.com/znkx/CN/10.11959/j.issn.2096-6652.202317transformer序列网络图神经网络生成模型轨迹预测多模态 |
| spellingShingle | 黄峻, 田永林, 戴星原, 王晓, 平之行 基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望 智能科学与技术学报 transformer 序列网络 图神经网络 生成模型 轨迹预测 多模态 |
| title | 基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望 |
| title_full | 基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望 |
| title_fullStr | 基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望 |
| title_full_unstemmed | 基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望 |
| title_short | 基于深度学习的自动驾驶多模态轨迹预测方法：现状及展望 |
| title_sort | 基于深度学习的自动驾驶多模态轨迹预测方法 现状及展望 |
| topic | transformer 序列网络 图神经网络 生成模型 轨迹预测 多模态 |
| url | https://www.infocomm-journal.com/znkx/CN/10.11959/j.issn.2096-6652.202317 |
| work_keys_str_mv | AT huángjùntiányǒnglíndàixīngyuánwángxiǎopíngzhīxíng jīyúshēndùxuéxídezìdòngjiàshǐduōmótàiguǐjīyùcèfāngfǎxiànzhuàngjízhǎnwàng |