综述：智能交通中用于车辆轨迹预测的深度学习：方法、挑战与未来发展方向

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Deep Learning for Vehicle Trajectory Prediction in Intelligent Transportation: Methods, Challenges, and Future Directions

　　

摘要

车辆轨迹预测是自动驾驶环境感知和决策控制的基础，直接影响复杂交互场景下的驾驶安全与交通效率。然而，现有的基于深度学习的轨迹预测方法在真实开放道路环境中面临三大挑战：(1) 缺乏对多智能体博弈交互的显式建模，导致长期意图预测的误判率较高；(2) 多模态不确定性源（包括感知噪声、行为模糊性和认知盲点）的耦合，阻碍了下游规划的量化风险评估；(3) 这些模型在长尾场景和跨领域迁移方面的泛化能力较弱，同时受到车载计算资源实时部署难度的限制。为了解决这些问题，本文系统地回顾了基于深度学习的车辆轨迹预测方法，并强调了其在专家系统和智能交通中的应用价值。本文的主要贡献如下：(1) 提出了一种统一的技术分类体系，系统分析了循环神经网络、卷积神经网络、图神经网络、Transformer和深度生成模型的设计原理、演化逻辑及固有局限性；(2) 揭示了仿真环境与现实世界环境之间的六大工程差距，即缺乏博弈论交互、不确定性耦合、长尾泛化不足、感知与预测的差异、实时约束以及跨场景适应能力较弱；(3) 总结了主流的公共数据集和评估协议，为算法验证提供了实证基础；(4) 预见了下一代专家系统的五个发展方向：预测与规划的联合优化、不确定性量化的解耦、基于博弈论的多智能体推理、轻量级自适应部署以及基于场景的泛化评估。本文旨在为研究人员和工程师提供系统性的参考，从而推动开放道路环境中更安全、更易解释、更易于部署的自动驾驶轨迹预测技术的发展。