面向低摩擦冬季路面的物理增强车辆轨迹预测方法PE-DNN研究

《Applied Sciences》：Friction-Feasible Trajectory Prediction for Vehicles on Winter Roads: A Warm-Up Physics Loss with Velocity-Space Learning

　　

摘要

车辆在冰雪路面上的轨迹预测事关安全，因为轮胎与路面之间的附着系数下降会压缩动力可行机动操作的集合，并可能使制动距离相对于干燥路面大幅延长。本研究的目的是开发一种轻量级的物理增强预测器，在低摩擦冬季道路上同时最小化位置误差和摩擦圆违规，从而使短视距预测能够被高级驾驶辅助功能使用。我们提出了 PE-DNN，一种物理信息多层感知器，它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抖动惩罚。与以往在零均值残差目标上从第一个训练周期就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）的机制解释视为相互耦合的方法论选择。在东北车辆轨迹数据集（NVTD；289 辆车辆， 帧）上，PE-DNN 实现了 m 的平均位移误差（ADE）和 ，在相同划分条件下，其与重训练的对比基线中 ADE–VR 对最优，代价是最终位移误差（FDE）和极端子集 ADE（ADE-Ext）略高，以换取更好的物理可行性。消融实验与敏感性分析表明，速度空间标签和预热调度是必需的设计要素，而非可选的优化手段。