Con el rápido desarrollo del transporte inteligente, predecir con precisión las trayectorias de los vehículos es crucial para garantizar la seguridad vial y mejorar la eficiencia del tráfico. Este artículo propone un modelo de predicción de trayectorias que integra un marco de modelo de difusión con características de trayectoria de vehículos objetivo y adyacentes, así como intenciones de conducción. El modelo utiliza trayectorias históricas de los vehículos objetivo y adyacentes como entrada, emplea redes de Memoria a Largo y Corto Plazo (LSTM) para extraer características temporales, y captura dinámicamente la interacción entre el vehículo objetivo y los vehículos adyacentes a través de un mecanismo de atención multi-cabezal. Un módulo de intención regula los desvíos laterales, y el marco de difusión selecciona la trayectoria más probable de varias predicciones posibles, mejorando así la capacidad del modelo para manejar escenarios complejos. Los experimentos realizados con datos de tráfico reales demuestran que el método propuesto supera a varios modelos representativos en términos de Error de Desplazamiento Promedio (ADE) y Error de Desplazamiento Final (FDE), sin sacrificar la eficiencia. Notablemente, exhibe mayor robustez y precisión predictiva en escenarios de alta interacción e incertidumbre, como cambios de carril y adelantamientos. Hasta donde sabemos, esta es la primera aplicación del marco de difusión en la predicción de trayectorias vehiculares. Este estudio proporciona una solución eficiente para las tareas de predicción de trayectorias de vehículos. El ADE promedio dentro de 1 a 5 s alcanzó 0.199 m, mientras que el FDE promedio dentro de 1 a 5 s alcanzó 0.437 m.
Liu et al. (Vie,) estudiaron esta cuestión.