摘要

本文介绍了一种名为HLTP++的仿人轨迹预测模型，该模型专为自动驾驶车辆设计，旨在提高对周围车辆轨迹预测的准确性和安全性。HLTP++模型通过模拟人类驾驶员的认知过程，采用了一种新颖的师生知识蒸馏框架，其中“教师”模型通过自适应视觉扇区模拟人类驾驶员的动态注意力分配，而“学生”模型则专注于实时交互和人类决策过程。此外，通过引入一种新的傅里叶自适应尖峰神经网络（FA-SNN），该模型能够在减少参数的同时实现更快更精确的预测。在NGSIM、HighD和MoCAD等基准测试中，HLTP++模型表现优于现有模型，显著降低了预测轨迹误差，并展示了在数据缺失环境下的强大适应性。这标志着向完全自动驾驶系统迈进的重要一步。

原理

HLTP++模型的核心在于其仿人认知过程的设计，通过师生知识蒸馏框架实现高效的学习和预测。教师模型通过自适应视觉扇区机制，模拟人类驾驶员在不同速度和场景下的注意力分配，从而生成先验知识。学生模型则利用FA-SNN，模拟神经传递过程，通过从教师模型中学习，能够在仅提供50%观察数据的情况下，提供高效且类似人类的轨迹预测。FA-SNN通过引入自适应调整和优化时间特征提取，解决了传统SNN在适应性和时间特征提取方面的不足，使其能够适应不同的驾驶场景。

流程

HLTP++模型的工作流程包括数据预处理、特征提取、融合和预测。首先，模型通过自适应视觉扇区机制对输入数据进行预处理，动态调整以捕捉不同交通情况下的重要线索。接着，教师模型中的时间编码器和空间编码器分别处理视觉向量和上下文矩阵，生成时间和空间特征向量，这些向量随后通过融合模块进行融合。融合后的特征被送入教师模型的多模态解码器，预测目标车辆的不同潜在操作及其概率。学生模型通过知识蒸馏调制（KDM）训练策略从教师模型中获取知识，并利用FA-SNN进行高效的人类式轨迹预测。

应用

HLTP++模型在自动驾驶领域具有广泛的应用前景，特别是在需要高精度轨迹预测的场景，如高速公路和密集城市环境。其高效的参数使用和强大的适应性使其能够在资源受限的环境中运行，同时保持高水平的预测准确性。随着自动驾驶技术的进一步发展，HLTP++模型有望成为实现安全、可靠自动驾驶的关键技术之一。