《表3 不同交通状态下的轨迹预测误差》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

同时，为深入分析各周围车辆对变道车辆的影响和模型所具有的多步预测优势，图11也对ID为741的车辆某2.5s内的变道轨迹预测结果和其周围车辆的运动趋势进行了可视化，并对车辆状态单元内部计算了各周围车辆的相对注意力分数大小。图11中变道车辆在2.5s内的连续轨迹拟合具有较高的精度，对于此过程内计算的周围车辆注意力权重分数为每辆车旁边的数值。由图11可以看出，周围车辆A和B的权重较小，而车辆C和D的权重都大于0.3，说明在此情况下，车辆变道过程中目标车道前后车的影响要远大于同车道的前后车，相应地注意力机制给目标车道信息分配了更高的权重贡献值，而主体车辆同车道后车的影响已可忽略不计；由于C车在空间上离变道车辆更近，且该车刚从匝道口驶入，正在执行向主线车道变道的动作，所以注意力机制将关注度中心从A，B，D车转移到C车，在后续的模型轨迹预测中目标车道的后车信息对变道车辆的影响最大。因此，图10，11证实了引入软注意力模块能够对不同历史变道时刻点的车辆及环境信息进行权衡与取舍，而传统的编-解码器网络在预测车辆未来任意时刻的变道轨迹时，都仅会选用相同的编码向量，即在整个变道过程中周围所有车辆对被预测车辆的影响是相同的，没有深入考虑车辆间潜在的动态交互强弱，这并不符合实际情况。