动态权重调整轨迹预测模型

复杂场景误差显著降低

该模型引入持续学习机制，能根据场景复杂度动态调整局部与全局特征权重，相比基线方法在复杂场景下预测误差显著降低，更适合长期动态环境。

王志凯 · Liuyang, Han · Zhiwei, Wu · Zuowei, Li · Tao, Fazhan · 王军

Computer-Aided Civil and Infrastructure Engineering 2026

参数信息

最小最终位移误差

1.809 m

最小平均位移误差

1.036 m

漏检率

0.253

最小最终位移误差降低百分比

4.4 %

最小平均位移误差降低百分比

3.1 %

技术优势

复杂场景误差更低

通过动态调整局部与全局特征权重，模型在复杂场景下预测误差显著降低，minFDE 达 1.809 m、minADE 达 1.036 m。

长期学习能力更强

引入权重巩固、动态优先经验回放和在线自适应推理的持续学习模块，使模型能持续适应新交通条件。

漏检率显著降低

在复杂场景下漏检率仅为 0.253，表明模型能更可靠地预测轨迹。

应用场景

• 自动驾驶轨迹预测：提升复杂动态场景下轨迹预测精度，保障自动驾驶安全。
• 智能交通系统：为交通管理提供更可靠的车辆轨迹数据，支持智能调度。
• 车路协同：在车路协同中实现更准确的意图预测，提升通信效率。
• 无人机路径规划：借鉴动态场景建模方法，优化无人机在复杂环境中的路径规划。