面向冰雪路面的物理增强轻量级车辆轨迹预测方法

《Applied Sciences》：Pro-Active Approach in the Context of Quality 5.0 Challenges

　　摘要 冰雪路面上的车辆轨迹预测对安全至关重要，因为轮胎与路面之间附着力的降低会压缩动力学上可行的机动操作集合，并可能显著增加与干燥路面相比的制动距离。本研究的目标是开发一种轻量级的物理增强预测器，在低摩擦冬季路面上同时最小化位置误差和摩擦圆违规，从而确保短时间范围内的预测结果能够被高级驾驶辅助功能所使用。我们提出了PE-DNN，一种物理信息驱动的多层感知机，该网络在自车坐标系中预测未来的绝对速度，并通过线性预热调度激活摩擦圆和加速度惩罚。与以往从第一个训练周期起就对零均值残差目标施加约束的物理信息轨迹预测器不同，PE-DNN将目标空间设计、约束调度以及违规率（VR）的机理性解释视为相互耦合的方法学选择。在东北车辆轨迹数据集（NVTD；289辆车辆）上，PE-DNN实现了某特定值的平均位移误差（ADE）和某特定值的指标，在相同数据划分下重新训练的学习基线中取得了最低的ADE-VR配对，同时以略高的最终位移误差（FDE）和极端子集ADE（ADE-Ext）换取了改进的物理可行性。消融实验和敏感性分析表明，速度空间标签和预热调度是不可或缺的设计组成部分，而非可选的优化手段。