华南理工大学学报(自然科学版)

作者：李安然, 潘芋燕, 徐震林, 高博麟, 李永行, 于洪晟, 陈艳艳

单位：1.北京工业大学 城市交通学院，北京 1001242.清华大学 车辆与运载学院，北京 1000843.宾夕法尼亚州立大学 土木环境工程系，宾夕法尼亚州 大学公园 168024.代尔夫特理工大学 土木工程和地球科学学院，代尔夫特 2826 CN5.中铁科学研究院集团有限公司 电子计算技术研究所，北京 100081

关键词：动态高精度地图,运动规划,交通预测模型,深度学习

基金：国家自然科学基金青年项目(52402375);交通部交通运输行业重点科技项目(2021-ZD2-047);交通部交通运输行业重点科技项目(2022-ZD6-116);北京市教委科技一般项目(KM202410005002)

智能网联车辆在复杂交通场景中的高效、安全运动规划是自动驾驶领域的关键挑战。该研究基于Transformer提出了ST-Trans交通预测模型，并通过ST-Trans开发了用于智能网联车辆的预测性运动规划器。ST-Trans利用Transformer从动态高精度地图提供的实时车辆数据和车道段结构信息中挖掘交通时空演化规律来预测车道段的未来交通状态，并利用车道段连通性和交叉口信号相位信息进一步提升预测准确性。模型采用编码器-解码器架构，通过车道编码器融合车辆与车道特征，道路编码器建模动态拓扑关系，解码器迭代生成未来交通状态序列。预测结果显示ST-Trans在平均绝对误差、均方根误差和准确率上分别比最优基准线模型高出12.2%、12.1%和3.55个百分点。基于ST-Trans的预测结果，预测性运动规划器采用双层结构，底层路径规划器动态选择目标点并融合动态规划与二次规划生成平滑路径，上层速度规划器构建时空走廊以压缩解空间，并同样结合动态规划与二次规划生成安全高效的速度曲线，从而显著降低运动规划任务的求解复杂度。该研究结合SUMO和CARLA对预测运动规划器进行了仿真实验，结果表明，基于ST-Trans的预测运动规划器能够实现预测性路径和速度规划，并在安全性、效率、舒适性和计算速度方面优于传统运动规划器。实验验证了所提方法能有效缩短高风险状态持续时间，提高通行效率，并保持较低的计算延迟。

来源：2026年第3期

《华南理工大学学报(自然科学版)》期刊编辑部

查看华南理工大学学报(自然科学版)杂志2026年第3期