摘要
在真实场景中对道路使用者的轨迹进行预测极具挑战性，因其运动模式具有随机性和复杂性。以往面向行人的研究在建模行人之间的复杂交互方面取得了成功，但在涉及其他类型道路使用者（如机动车、骑行者等）时，轨迹预测性能显著下降，原因在于这些方法忽略了使用者的类型信息。尽管少数近期研究尝试通过引入用户标签信息构建密集连接的图结构，但其仍面临冗余的空间交互和时间依赖性问题。为解决上述挑战，本文提出一种基于稀疏图卷积网络的多类别轨迹预测方法——Multiclass-SGCN。该方法综合考虑了速度信息与智能体类型标签，并引入一种新颖的交互掩码机制，能够根据智能体间的交互得分自适应地确定其空间与时间连接关系。在Stanford Drone Dataset上的实验结果表明，所提方法显著优于当前最先进的方法，能够生成更加真实且合理的轨迹预测结果。