Pishgu：面向实时网络物理边缘系统的通用路径预测网络架构

路径预测是众多现实世界网络物理系统（Cyber-Physical Systems, CPS）应用中的关键任务，涵盖自动驾驶、交通监控与管理，以及行人与作业人员的安全保障等领域。这些实际应用亟需一种鲁棒且轻量化的路径预测方法，能够构建一个适用于多种主体（如行人与车辆）和不同视角的通用网络架构。然而，现有大多数算法均针对特定主体、特定摄像头视角及特定场景进行定制化设计，缺乏通用性。本文提出Pishgu——一种通用的轻量化网络架构，作为路径预测的鲁棒且一体化解决方案。Pishgu的架构能够灵活适应多种路径预测场景，涵盖不同主体（车辆、行人）、不同视角（鸟瞰图、高角度视图）以及不同环境（人行道、高速公路）。本研究所提出的架构通过引入图同构网络（Graph Isomorphism Networks）与注意力机制模块，有效捕捉每一帧内各主体之间的相互依赖关系。我们在三个不同的CPS应用场景下，分别针对多种视角（车辆鸟瞰视图、行人鸟瞰视图、人体高角度视图）对Pishgu架构进行独立训练与评估。实验结果表明，在车辆鸟瞰视图场景下，Pishgu相较于当前最先进方法在平均位移误差（ADE）和最终位移误差（FDE）上分别提升42%和61%；在行人高角度视图场景下，相应指标分别提升23%和22%。此外，本文还深入分析了不同数据集的领域特异性细节，以理解其对路径预测性能及模型可解释性的影响。最后，我们在多个嵌入式平台对三种场景下的推理延迟与吞吐量进行了测试，充分展示了Pishgu在真实CPS应用集成中的鲁棒性与高度适应性。