TrafficPredict：异构交通参与者轨迹预测

为了在复杂的都市交通中安全高效地导航，自动驾驶汽车必须对周围交通参与者（如车辆、自行车、行人等）的行为做出负责任的预测。一个具有挑战性和关键性的任务是探索不同交通参与者的移动模式，并准确预测其未来的轨迹，以帮助自动驾驶汽车做出合理的导航决策。为了解决这一问题，我们提出了一种基于长短期记忆网络（LSTM-based）的实时交通预测算法——TrafficPredict。该方法通过实例层学习个体的移动和相互作用，并通过类别层学习属于同一类型的个体之间的相似性，以优化预测结果。为了评估其性能，我们在一个大城市中收集了包含不同条件和交通密度的轨迹数据集。该数据集包括许多具有挑战性的场景，其中车辆、自行车和行人在彼此之间移动。我们使用新的数据集评估了TrafficPredict的性能，并通过与先前的预测方法进行比较，突出了其在轨迹预测方面的更高准确性。