面向遮挡场景的行人未来轨迹预测方法RCN-MAMBA：基于轨迹补全与多尺度时间建模的预测框架

《Sensors》：RCN-MAMBA: Research on Pedestrian-Future-Trajectory- Prediction Methods for Occlusion Scenarios

　　行人未来轨迹预测是智能驾驶、交通场景理解和主动安全决策中的关键任务。在真实道路环境中，行人的历史轨迹经常受到车辆、其他行人、道路基础设施以及检测器漏检等遮挡因素的影响，导致历史观测序列中存在缺失值。理解并处理行人观测序列中的缺失值对于提高预测模型的性能至关重要；然而，现有研究很少考虑这一现实场景。本文提出了RCN-MAMBA，一种面向遮挡场景的行人未来轨迹预测方法。整体流程遵循先进行去遮挡补全、再进行未来轨迹预测的范式。具体而言，在去遮挡阶段，基于线性插值进行轨迹补全，并采用BiLSTM残差校正网络进一步细化被遮挡的轨迹。本文进一步提出了C_MAMBA预测架构：首先，引入显式运动状态编码，将位置、速度和加速度信息显式注入轨迹表示中；其次，采用多尺度时间卷积提取不同时间范围内的局部运动模式；最后，引入时间Bi-Mamba模块，从正向和反向时间方向对补全后的轨迹进行长期时间依赖建模。RCN-MAMBA在JAAD数据集上取得了具有竞争力的性能。定性结果表明，其预测的未来轨迹与实际运动趋势一致。在五种整帧随机遮挡比例——5%、10%、15%、20%、30%和40%下进行了定量分析，RCN-MAMBA在所有遮挡比例下均取得了最优结果。对每条轨迹的配对t检验进一步证实，所提方法相对于所有基线方法的性能优势具有统计显著性，表明该方法在不同遮挡强度下具有良好的预测精度和鲁棒性。