"EnTAIL：基于时序感知交互学习的动态轨迹预测模型在智能交通系统中的突破性应用"

本文推荐：研究者提出创新性时序感知交互学习框架EnTAIL（Evolutional Temporal-Aware Interaction Learning），通过整合静态时间戳交互建模与动态跨时间演化模式，采用动态进化编码器（Dynamic Evolution Encoder）和多尺度观察窗口技术，在Argoverse数据集实现minADE最小平均位移误差提升2.5%、minFDE最小最终位移误差提升1.2%，为自动驾驶系统（CPS）提供更精准的运动轨迹预测方案。

　　

Highlight亮点

• 提出革命性的EnTAIL时序感知交互学习框架，首次实现静态时间戳交互与动态跨时间演化的统一建模

• 创新动态进化编码器（Dynamic Evolution Encoder）通过门控机制捕捉相邻时间戳的短期交互，结合循环建模捕获长期依赖

• 时间感知的未来运动解码器（Time-aware Future Motion Decoder）突破性地将时序特征延伸至预测阶段

Model Overview模型概览

EnTAIL的核心在于通过迭代优化历史依赖关系，自适应捕获跨时间戳的智能体交互。如图2所示，动态交互沿时间轴持续演化，该模型通过双重时间表征方案：

1）绝对时间表征：采用可训练的恒定时间编码（Constant Time Encoding）锁定特定时间戳的静态交互

2）相对时间表征：设置差异化观察窗口（短窗口10Hz采样捕捉微观变化，长窗口覆盖5秒轨迹分析宏观趋势）

Experimental Setup实验设置

数据集：采用Argoverse运动预测基准数据集，包含323,557条轨迹序列（训练集205,942条，验证集39,472条），以10Hz频率采集5秒轨迹片段。测试阶段仅公开前2秒轨迹数据，要求预测未来3秒的智能体位置（p_i^t=(p_i,x^t,p_i,y^t)）及偏航角θ_i^t。

Conclusion结论

本研究提出的EnTAIL框架通过双视角时间建模方案（绝对/相对时间表征）和动态进化编码器，在复杂交通场景中实现了：

1）短期交互演化的门控机制捕获

2）长期依赖的循环建模优化

3）预测阶段的时序特征延伸

为智能物理系统（CPS）的运动预测树立了新标杆。