时序感知交互学习模型

多智能体运动预测

通过统一框架同时捕捉静态交互模式和跨时间戳的时序感知交互模式，并利用进化编码器学习多尺度观测窗口内的短程与长程交互，提升复杂交通场景下的预测性能。

刘春雨 · Dong, Hao · 汪澎洋 · Yu, Jianjun

Engineering Applications of Artificial Intelligence 2025

参数信息

最小平均位移误差提升

2.5 %

最小最终位移误差提升

1.2 %

技术优势

误差少 2.5%

在 Argoverse 数据集上与基线相比，minADE 相对提升最高 2.5%，minFDE 相对提升最高 1.2%，意味着更准的轨迹预测。

静态与演化交互统一建模

通过可训练的常数时间编码捕捉单个时间戳的静态交互，通过动态演化编码器学习多尺度观测窗口内的短程和长程交互。

补上编码时丢掉的远程交互

EnTAIL 在预测阶段也考虑时间特征，将编码阶段被忽略的远程交互重新纳入建模。

真实场景数据验证

在具有挑战性的真实场景 Argoverse 数据集上进行大量实验，确保方法在复杂交通场景下的有效性。

应用场景

• 自动驾驶预测：为自动驾驶车辆提供周围交通参与者的精确轨迹预测，提升决策与规划的安全性。
• 无人机交通管理：用于预测无人机集群的飞行轨迹，支持低空交通的冲突检测与路径规划。
• 群体机器人协调：捕捉群体机器人的时序交互模式，辅助分布式协同控制与避障。
• 智能交通系统：在复杂城市交通场景中提供多智能体轨迹预测，支撑信号控制与交通流管理。