数据-知识双驱动的人机混合逻辑轨迹预测模型：面向自动驾驶的人因认知计算框架

为解决自动驾驶车辆在混合交通环境中对人类驾驶行为理解不足的问题，本研究提出了一种数据-知识双驱动的人机混合逻辑轨迹预测模型（DHTP）。通过模拟人类驾驶的记忆推理、注意力机制和自主进化能力，该模型在高速公路和城市快速路交织区场景中显著提升了轨迹预测的准确性和鲁棒性。研究结果表明，DHTP模型的误差均值（EM）和均方根误差（RMSE）分别比基线模型降低了0.495米和0.340米，为自动驾驶系统的人机交互与认知进化提供了新范式。

随着自动驾驶技术向L5级迈进，人类驾驶车辆（HV）与自动驾驶车辆（AV）的混合交通环境已成为常态。然而，人类驾驶行为的高度不确定性和个体差异性，使AV难以准确预测HV轨迹，这直接影响了行车安全和公众对自动驾驶的信任。传统数据驱动模型虽能利用大量场景数据，却缺乏对人类认知机制（如记忆推理、注意力分配和自主进化）的模拟，导致其在复杂动态场景中的适应性和鲁棒性不足。

为突破这一瓶颈，谢吉明团队在《IEEE Open Journal of Intelligent Transportation Systems》发表研究，提出了一种名为DHTP（Data-knowledge-driven Human-like-logics Trajectory Prediction）的创新模型。该模型通过双向混合建模方法，首次将人类驾驶的三大核心逻辑——记忆推理、注意力机制和自主进化——系统性地融入轨迹预测框架，旨在使AV具备“类人”的认知与决策能力。

研究团队采用分层编码的数据驱动策略，在云南高峣和重庆江南交织区利用无人机采集了超过10万条高精度车辆轨迹数据（采样频率10 Hz）。通过视频稳定、车辆跟踪和轨迹优化三步处理，提取了包括车辆位置、速度、加速度等40类交互特征（K1-K40）。知识驱动层面，DHTP模型构建了三大功能模块：基于CNN-LSTM的记忆推理模块模拟人类驾驶员的时空特征提取能力；基于极化网格的多头注意力（MATT）模块复现人类360°视野中的注意力分配机制；基于智能学习算法（ILA）的自主进化模块则赋予模型持续优化超参数的能力。

关键技术方法包括：（1）通过CNN卷积核动态捕捉局部空间特征，LSTM网络学习长时序依赖关系；（2）以驾驶员视点为中心构建极化注意力网格，替代传统笛卡尔坐标系；（3）设计ILA算法分四阶段（准备、探索、整合、利用）优化模型超参数，模拟人类从“非逻辑”到“逻辑”的认知进化过程。实验采用零样本学习验证模型泛化能力，随机选取79条高速公路和177条城市快速路轨迹进行测试。

模型整体预测效果

通过热力图分析发现，DHTP预测轨迹与实际分布吻合度显著优于基线模型（CNN-LSTM-MATT）。在泰勒图中，DHTP的纵向位置预测中心化均方根误差（cRMSE）在高速公路和城市快速路场景分别降低至0.404米和0.211米，且相关性系数接近1。回归分析显示预测值与真实值的欧氏距离D高度集中在拟合线附近。

量化误差分析

DHTP在六项误差指标上全面优于基线：城市快速路场景中，误差均值（EM）和平均绝对误差（MAE）分别降低0.495米和0.522米，均方误差（MSE）下降0.482米²。误差分布更集中，证明模型具备更强的稳定性。

自主进化模块性能

迭代实验表明，加入ILA模块后，训练误差从[0.15, 0.25]米降至[0.05, 0.15]米，损失值收敛至[0, 0.02]区间。超参数优化结果体现场景适应性：城市快速路场景中，CNN卷积核数量从32减至29，LSTM隐藏层神经元从57压缩至10；高速公路场景则进一步减少注意力头数至1，匹配高速度下的视觉聚焦特性。

注意力机制验证

极化注意力网格成功复现人类驾驶员的视野分布特征：高速公路场景注意力集中在前方窄区域，城市快速路则分散至周边车辆。与基线模型相比，DHTP的注意力权重分配更符合实际驾驶生理规律。

与先进模型对比

在相同测试集上，DHTP的纵向预测MAE（0.009米）显著低于Seq2Seq（2.287米）、Transformer（3.937米）和GNN（1.952米），NRMSE指标仅为其他模型的1/100至1/300，证明其在复杂交互场景中的绝对优势。

本研究证实，通过模拟人类认知逻辑的DHTP模型能有效提升AV的轨迹预测能力。其创新性在于：一是突破传统数据驱动范式，构建了融合人类驾驶逻辑的双驱动框架；二是通过ILA算法实现模型参数自主进化，适应动态环境；三是注意力机制与实际驾驶视觉特征对齐。尽管模型对极端场景和传感器异常的适应性仍需完善，但为自动驾驶认知模块的发展提供了重要技术路径。未来工作将扩展至多模态轨迹预测和恶劣天气等复杂场景，推动AV与HV的无缝共融。