新上线今天0 投票
驾驶轨迹预测中的图神经网络层选择：19种层类型的对比研究
研究背景与动机
自动驾驶系统依赖精确的轨迹预测来规划安全高效的行驶路径。近年来，图神经网络（GNN）因其对道路参与者之间时空交互建模的能力，成为轨迹预测领域的热门方法。然而，GNN架构设计缺乏标准化，开发者往往不清楚哪些图卷积层能最有效地捕捉空间交互与时间动态。
核心发现：19种图层的系统对比
该研究对19种图神经网络层进行了系统比较，重点关注其空间与时间处理能力。在特定超参数设置下，ARMA、Chebyshev 和拓扑感知层表现持续优于其他方案，成为五大突出层组合中的关键组件。
关键设计原则
除了性能排名，研究还提炼出三条实用设计准则：
- 聚合策略：基于 sum 的聚合方法比 mean 聚合更有效。
- 注意力机制：多头注意力机制能够捕捉更丰富的交互关系。
- 跳距权重：对不同跳数（hop distance）赋予不同权重，可显著提升预测精度。
这些原则为构建更具可解释性与有效性的轨迹预测模型提供了明确指导。
研究意义
该工作填补了 GNN 在轨迹预测中选层的知识空白，为从业者提供了直接可用的架构设计参考。未来，研究者可基于这些发现开发更高效的自动驾驶决策系统。
论文发表于 IEEE IV 2026，全文可在 arXiv 获取（arXiv:2606.14956）。