寻找供应商
广告
首页 > 汽车测试技术 > 正文

基于结构化的Informer模型的自动驾驶轨迹预测

2024-10-09 08:06:42·  来源：同济智能汽车研究所  
　
图14和图15示出了结构化的Informer模型和参考模型在1秒和5秒之间的任何时间的纵向和横向最终位置误差分布。如这些图所示，随着预测时间的增加，结构化的Informer模型的最终位置误差表现出较小的增加。从全局分析来看，结构化Informer的最终位置误差分布范围较小，表明相比LSTF具有更高的稳定性。

图片

图 14 纵向最终位置误差分布

图片

图 15 横向最终位置误差分布

C.轨迹预测时间成本分析

表IV给出了结构化Informer模型和参考模型的时间成本结果，其中包括每个时期的训练时间和每个步骤的预测时间。由于采用了多头ProbSparse自注意机制和注意力蒸馏机制，结构化Informer在训练时间和预测时间方面优于Transformer。此外，与BiLSTM和结构化LSTM相比，由于LSTM中顺序传递的特性，使用LSTM形成编码器-解码器架构更耗时，结构化Informer的并行计算机制提高了计算效率。相反，双LSTM和单LSTM具有更简单的网络结构，以及最低的时间成本，但是它们不能保证LSTF中的预测精度，因为它们不能提取历史和未来轨迹的更多特征。因此，本文提出的结构化Informer模型不仅保证了预测精度，而且在LSTF中实现了较低的时间成本。 

表 IV 时间成本

图片



   Ⅴ 结论    

本文介绍了结构化的Informer网络，一种基于Transformer的架构，它可以预测LSTF中自动驾驶中TVs的轨迹。提出了一种车辆状态注意机制，以考虑每个状态变化对TV未来轨迹的影响。与传统的Transformer相比，新的多头ProbSparse自注意机制降低了网络的时间复杂度。此外，注意力蒸馏机制被用来降低网络在编码器-解码器堆叠过程中的空间复杂度。NGSIM数据集上的实验评估表明，结构化的Informer网络在LSTF中对TV的纵向和横向轨迹产生较低的误差和稳定的预测，同时在每个训练和预测步骤上花费更少的时间。虽然验证只在高速公路的情况下，由于有限的数据可用性，所提出的模型预计将在其他情况下表现良好。结果表明，结构化Informer网络在车辆的长期预测（最长5秒）方面具有可靠和出色的性能，为无人驾驶汽车的运动规划提供了一种很有前途的SV轨迹预测解决方案。


参考文献


图片

图片

图片

图片

   首页   下一页   上一页   尾页 
分享到：
 
反对 0 举报 0 收藏 0 评论 0
  • 汽车测试网V课堂

    汽车测试网V课堂

  • 微信公众号

    微信公众号

  • 汽车测试网手机站

    汽车测试网手机站

• 新能源汽车热泵系统NVH优化分析 • （EU）540/2014对电动车声学报警系统AVAS的要求
• 汽车续航测试标准 • 锂电池AC电流预热与叠加纹波耐久性测试解决方案
• 汽车常规可靠性试验道路&强化试验道路汇总 • 中国汽研SUPER CRASH超级试验联合智界R7开展两项极限挑战
• Generic placeholder image 利用IDIADA中国驾驶模拟器 开 • 主要的轮胎降噪技术
• 汽车线束产品标准规范梳理 • 从感知、规划来看特斯拉 FSD自动驾驶为何全球瑶瑶领先
0 条相关评论
  • 广告
  • 广告

编辑推荐

最新资讯

  • 广告
  • 广告
沪ICP备11026620号