A Cognitive-Driven Trajectory Prediction Model for Autonomous Driving in Mixed Autonomy Environment

随着自动驾驶技术的进步，需要精确的轨迹预测模型变得至关重要。本文介绍了一种创新模型，将认知洞察力融入轨迹预测中，关注感知安全和动态决策。与传统方法不同，我们的模型擅长分析混合自动驾驶交通场景中的交互和行为模式。它代表了一个重大飞跃，在几个关键数据集上实现了显著的性能提升。具体来说，在Next Generation Simulation（NGSIM）上提高了16.2％，在Highway Drone（HighD）上提高了27.4％，在Macao Connected Autonomous Driving（MoCAD）数据集上提高了19.8％。我们提出的模型在处理边缘情况方面表现出色，这对于实际应用至关重要。此外，在缺失或有限数据的情况下，它的鲁棒性在大多数最先进的基线模型中表现出色。这种适应性和韧性使我们的模型成为实际自动驾驶系统的可行工具，为增强安全和效率的车辆轨迹预测开创了新的标准。

论文旨在解决自动驾驶技术中车辆轨迹预测的精度问题，提出了一种结合认知洞察的模型，强调感知安全和动态决策。

论文提出的模型通过分析混合自动驾驶交通场景中的交互和行为模式，在处理边缘情况和缺失数据方面表现出色，超越了现有基准，具有较高的鲁棒性和适应性。

论文在NGSIM、HighD和MoCAD数据集上取得了16.2%、27.4%和19.8%的性能提升，实验设计合理，具有实际应用价值。

最近相关研究包括《A Survey of Motion Prediction and Risk Assessment for Autonomous Vehicles》、《End-to-End Learning for Self-Driving Cars》等。