廣告
基于結構化的Informer模型的自動駕駛軌跡預測
圖 14 縱向最終位置誤差分布
圖 15 橫向最終位置誤差分布
C.軌跡預測時間成本分析
表IV給出了結構化Informer模型和參考模型的時間成本結果，其中包括每個時期的訓練時間和每個步驟的預測時間。由于采用了多頭ProbSparse自注意機制和注意力蒸餾機制，結構化Informer在訓練時間和預測時間方面優(yōu)于Transformer。此外，與BiLSTM和結構化LSTM相比，由于LSTM中順序傳遞的特性，使用LSTM形成編碼器-解碼器架構更耗時，結構化Informer的并行計算機制提高了計算效率。相反，雙LSTM和單LSTM具有更簡單的網(wǎng)絡結構，以及最低的時間成本，但是它們不能保證LSTF中的預測精度，因為它們不能提取歷史和未來軌跡的更多特征。因此，本文提出的結構化Informer模型不僅保證了預測精度，而且在LSTF中實現(xiàn)了較低的時間成本。
表 IV 時間成本
Ⅴ 結論
本文介紹了結構化的Informer網(wǎng)絡，一種基于Transformer的架構，它可以預測LSTF中自動駕駛中TVs的軌跡。提出了一種車輛狀態(tài)注意機制，以考慮每個狀態(tài)變化對TV未來軌跡的影響。與傳統(tǒng)的Transformer相比，新的多頭ProbSparse自注意機制降低了網(wǎng)絡的時間復雜度。此外，注意力蒸餾機制被用來降低網(wǎng)絡在編碼器-解碼器堆疊過程中的空間復雜度。NGSIM數(shù)據(jù)集上的實驗評估表明，結構化的Informer網(wǎng)絡在LSTF中對TV的縱向和橫向軌跡產(chǎn)生較低的誤差和穩(wěn)定的預測，同時在每個訓練和預測步驟上花費更少的時間。雖然驗證只在高速公路的情況下，由于有限的數(shù)據(jù)可用性，所提出的模型預計將在其他情況下表現(xiàn)良好。結果表明，結構化Informer網(wǎng)絡在車輛的長期預測（最長5秒）方面具有可靠和出色的性能，為無人駕駛汽車的運動規(guī)劃提供了一種很有前途的SV軌跡預測解決方案。
參考文獻
- 下一篇：汽車電子控制系統(tǒng)大全
- 上一篇：關于聲學的一些基本概念
廣告 編輯推薦
最新資訊
-
開年豪擲1.8億搶用戶，又一車企加入“價格
2026-03-04 16:05
-
聯(lián)合國法規(guī)R60對兩輪車操縱件與指示裝置的
2026-03-04 12:08
-
標準立項|《汽車異種材料鉚接接頭拉伸性能
2026-03-04 11:40
-
“汽車大角度座椅 第1部分：通用要求”將有
2026-03-04 11:39
-
“汽車大角度座椅 第2部分：可靠性要求”將
2026-03-04 11:39
