基于多头注意力机制的自动驾驶轨迹预测模型研究

同济大学与慕尼黑工业大学联合团队提出高效交互感知轨迹预测方法

研究背景

随着端到端自动驾驶系统的逐步落地，轨迹预测作为连接环境感知与决策控制的关键环节，其准确性直接影响行车安全。现有模型在长期预测中对交通参与者间社会交互的建模仍显不足，尤其在变道等复杂场景下性能受限。为此，研究团队提出一种基于多头注意力机制的交互感知轨迹预测模型，通过增强全局交互信息融合能力，显著提升预测精度。

研究问题

该研究聚焦高速公路场景下的长期轨迹预测（未来5秒），以目标车辆为核心，综合考虑周围八辆邻近车辆的影响。模型旨在解决传统网格化数据处理带来的高计算复杂度问题，并克服现有注意力机制在捕捉长距离交互关系上的局限性。

研究贡献

1. 引入车道信息的多头注意力机制：通过融合车道拓扑结构，构建具有语义意义的交互权重分配机制，有效捕捉车辆间的全局社会交互特征。

2. 非网格化驾驶场景建模：采用轻量级无网格数据处理方式，降低模型计算开销，更贴近真实驾驶环境的数据分布，提升实际部署可行性。

研究框架

所提模型由三大模块构成：车道注意力模块、多头注意力模块与解码器。其中，车道注意力模块通过堆叠自注意力层强化车道关联特征提取；多头注意力模块利用交叉注意力机制捕获跨车辆动态交互；最终解码器整合双路信息输出预测轨迹。

实验验证

实验分析表明，位置、速度与加速度等运动特征之间存在显著相关性，验证了多维输入的有效性（见图3）。同时，不同注意力头数配置对比显示，合理设置头数可平衡模型表达力与效率（见图4）。

研究结论

本研究提出的方法在长期轨迹预测任务中表现优异，尤其在4至5秒预测区间内显著优于基准模型。实证结果表明，结合车道信息的多头注意力机制能有效提升交互建模能力，而无网格数据处理策略则兼顾了精度与计算效率，具备良好的工程应用前景。

作者团队简介

彭子沣，中国智能网联车领域工程师，本研究为其在同济大学—慕尼黑工业大学双学位硕士项目期间主导完成。

严俊，同济大学电子与信息工程学院博士生，研究方向为AI安全理论与鲁棒自动驾驶。

尹慧琳，同济大学电子与信息工程学院中德教席教授，研究方向为自动驾驶环境感知及预期功能安全。

Gerhard Rigoll，慕尼黑工业大学计算、信息与技术学院教授，IEEE Fellow，国际知名人机交互与模式识别专家，同济大学中德智能科学与技术研究中心德方协调主任。

《Automotive Innovation》介绍

《Automotive Innovation》是由国家新闻出版署批准的中国汽车行业首本英文科技期刊，由中国汽车工程学会（China SAE）主办，致力于推动中国汽车科技创新成果走向世界。期刊与Springer Nature合作出版，已被EI、ESCI、Scopus收录，2022年影响因子达6.1，入选中科院工程技术一区。涵盖智能网联、新能源汽车及未来出行等前沿领域。