随着移动设备和物联网技术的普及,时空数据的收集和分析变得越来越重要。轨迹预测,尤其是实时轨迹预测,对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求,且实时数...随着移动设备和物联网技术的普及,时空数据的收集和分析变得越来越重要。轨迹预测,尤其是实时轨迹预测,对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求,且实时数据通常是不完整或带有噪声的,要求预测算法必须能够适应不完全的轨迹信息。基于此,提出了一种基于时空数据库的实时启发式轨迹预测模型(Real-time Heuristic Trajectory Prediction Based on Spatio-Temporal Databases,RHTP-STD)。RHTP-STD利用MobilityDB数据库平台存储和管理轨迹数据,通过图构建算法将轨迹数据转换为时空图。RHTP-STD采用启发式算法,融合历史和实时数据,快速预测移动对象的未来轨迹。实验结果表明,RHTP-STD在Argoverse数据集上的预测准确性和实时性均优于现有方法。讨论所提方法在不同应用场景中的适用性,提出了未来的研究方向。展开更多
随着自动驾驶技术的快速发展,准确预测周围车辆的运动轨迹成为确保行车安全的关键。现有的方法大多未充分考虑车辆与环境以及车与车之间的互动和环境情景信息,面对复杂交通场景下的轨迹预测性能不佳。基于此,提出一种融合时空查询Transf...随着自动驾驶技术的快速发展,准确预测周围车辆的运动轨迹成为确保行车安全的关键。现有的方法大多未充分考虑车辆与环境以及车与车之间的互动和环境情景信息,面对复杂交通场景下的轨迹预测性能不佳。基于此,提出一种融合时空查询Transformer的情景感知多模态车辆轨迹预测模型(Contex-aware Multimodal Vehicle Trajectory Pediction Model Based on Spatio-Temporal Query Transformer,STQformer),高效地理解和预测复杂交通环境中的车辆行为。模型以Transformer框架为基础,引入可学习的时空查询并利用社交交互模块,实现对车辆意图的深度感知和更准确的轨迹预测。实验结果表明:与当前先进的轨迹预测算法相比,STQformer在长期预测方面的性能同比性能最佳对比模型提升了9%。该模型有助于提升自动驾驶系统的安全性和可靠性,推动自动驾驶技术的发展和应用,使其更好地适应复杂多变的交通环境,减少交通事故,提高交通效率。展开更多
文摘随着移动设备和物联网技术的普及,时空数据的收集和分析变得越来越重要。轨迹预测,尤其是实时轨迹预测,对于许多应用领域如智能交通和城市规划等至关重要。现有的轨迹预测方法往往无法在保证预测准确性的同时满足实时性的要求,且实时数据通常是不完整或带有噪声的,要求预测算法必须能够适应不完全的轨迹信息。基于此,提出了一种基于时空数据库的实时启发式轨迹预测模型(Real-time Heuristic Trajectory Prediction Based on Spatio-Temporal Databases,RHTP-STD)。RHTP-STD利用MobilityDB数据库平台存储和管理轨迹数据,通过图构建算法将轨迹数据转换为时空图。RHTP-STD采用启发式算法,融合历史和实时数据,快速预测移动对象的未来轨迹。实验结果表明,RHTP-STD在Argoverse数据集上的预测准确性和实时性均优于现有方法。讨论所提方法在不同应用场景中的适用性,提出了未来的研究方向。
文摘随着自动驾驶技术的快速发展,准确预测周围车辆的运动轨迹成为确保行车安全的关键。现有的方法大多未充分考虑车辆与环境以及车与车之间的互动和环境情景信息,面对复杂交通场景下的轨迹预测性能不佳。基于此,提出一种融合时空查询Transformer的情景感知多模态车辆轨迹预测模型(Contex-aware Multimodal Vehicle Trajectory Pediction Model Based on Spatio-Temporal Query Transformer,STQformer),高效地理解和预测复杂交通环境中的车辆行为。模型以Transformer框架为基础,引入可学习的时空查询并利用社交交互模块,实现对车辆意图的深度感知和更准确的轨迹预测。实验结果表明:与当前先进的轨迹预测算法相比,STQformer在长期预测方面的性能同比性能最佳对比模型提升了9%。该模型有助于提升自动驾驶系统的安全性和可靠性,推动自动驾驶技术的发展和应用,使其更好地适应复杂多变的交通环境,减少交通事故,提高交通效率。
