广告
基于结构化的Informer模型的自动驾驶轨迹预测
图 14 纵向最终位置误差分布
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
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
广告 
广告
最新资讯
-
4G/5G网络新时代的高效紧急呼叫系统NG-eCal
2024-12-20 22:33
-
海克斯康端齿联轴器测量方案，助力大众汽车
2024-12-20 22:27
-
设计仿真 | 新版本Dytran 用户子程序调用及
2024-12-20 22:26
-
设计仿真 | MSC Nastran高性能求解计算（一
2024-12-20 22:16
-
动力电池揭秘 | 安全性全面解析
2024-12-20 22:13
广告
广告
