陈雪梅，李梦溪，王子嘉，欧洋佳欣

（北京理工大学 机械与车辆学院，北京 100081）

国内无人驾驶车辆现已能够在固定场景或者简单城市环境下行驶。然而，真正实现复杂城市环境下的车辆自主行驶，依然面临许多需要解决的关键技术问题，其中无人驾驶车辆城市交叉口通行决策就是制约其快速发展的关键问题之一。相比一般道路通行，受到交叉口型式、交通流量、交通参与者运动不确定性等多因素影响，城市交叉口通行比一般车道内行为决策更加复杂。为了保障无人驾驶车辆在交叉口能够安全且实时地决策并通行，需要对周边车辆运动轨迹进行长时（＞3 s）精准预测。

国内外许多学者针对车辆轨迹预测开展了大量、系统的研究。现有的轨迹预测方法为基于物理学模型[1-2]、基于运动模式[3-4]和基于交互感知的轨迹预测方法[5-6]。ZHANG Ruifeng等[7]运用卡尔曼滤波 （Kalman Filter）和基于恒定车速的物理学模型对障碍物车辆进行状态估计。该方法由于没有考虑当前状态的不确定性，仅适用于短时（＜1 s）轨迹预测。KIM等[8]利用长短期记忆（Long Short-Term Memory，LSTM）网络来预测多模态的运动模式，网络输入的是车辆的历史轨迹点。该方法依赖于训练数据，并且存在无法预测未知环境中未知风险的缺点，很难在复杂城市交叉口得以应用。BRAND等[9]使用基于交互感知的运动模型来预测车辆的轨迹，该方法考虑车辆之间的关联，虽然可长时准确预测，但耗费大量计算资源，实时性差。以上的算法都没有很好地兼顾……