动态路况下的运动预测问题。
驾驶轨迹预测。 自动驾驶车辆。 在施工区域内的自动驾驶是移动领域中最具挑战性的任务之一。道路布局的变化、临时人行横道以及工作人员的存在，使得环境具有高度的不确定性。研究表明，该主题仍有待进一步研究--存在有限的专业数据和缺乏对解决方案的系统评估。在实际条件下，这些区域通常是不可预测的，这使得自动驾驶车辆难以做出安全的决策。
WZDrive-Data 是第一个从施工区域收集的多模态数据集，其中包含人类参与的数据。它包含了 33 名参与者驾驶模拟器中带有机器人动画和用户控制的虚拟现实环境的 1,183 个驾驶片段。在实验过程中，不仅记录了驾驶轨迹，还记录了参与者的视觉和控制信号，从而可以分析人类行为以及与周围环境的互动。
WZDrive 新模型及其比较结果。
放大图像关闭放大上一张图片基于 WZDrive-Data 数据集，开发了一种新的驾驶轨迹预测模型--WZDrive。该模型采用多模态方法，将来自人类信号（例如视线方向、转向盘运动）的数据与场景和驾驶轨迹信息相结合。其主要目标是提高在高风险和变化条件下预测的准确性。在比较测试中，该模型的平均 minADE (K=6) 值为 1.09 米，minFDE (K=6) 值为 2.12 米--这意味着预测的轨迹与最可能的轨迹相比，平均偏差小于一米。
WZDrive 的性能优于现有最佳技术：minADE (K=6) 降低了 7.18%，minFDE (K=6) 降低了 13.18%。这些数字表明，该模型不仅提高了预测的准确性，而且显著降低了在恶劣条件下做出错误决策的风险。这些结果对于安全性尤其重要--即使是驾驶轨迹预测上的微小差异也可能影响到避免与工作人员或其他车辆发生碰撞。
研究的意义和局限性
WZDrive 研究表明，在模型学习过程中整合人类数据可以显著提高其在复杂条件下的有效性。最重要的是，这种方法不仅可以考虑环境中的物理变化，还可以考虑人类行为--这在施工区域至关重要。这可能导致更灵活、更安全的自动驾驶系统，尤其是在城市中，因为那里有许多施工区域。
同时，需要注意的是，结果是在模拟环境中获得的。缺乏来自实际道路条件的的数据意味着模型在物理世界中的准确性可能会有所不同。此外，数据集仅包含 33 名参与者和有限数量的场景，这可能会影响其代表性。未来的研究需要扩大数据集并进行实际测试，以评估模型的扩展性和持久性。
复杂环境中自动驾驶的未来
WZDrive 是自动驾驶系统发展中的一个重要步骤，这些系统能够应对不可预测的情况。如果将此类模型部署到车辆中，它们可以显著提高道路安全性，尤其是在基础设施发生变化且存在人员的情况下。研究表明，轨迹预测不能仅基于传感器数据--理解人类行为和环境中的交互至关重要。
这种技术的未来取决于数据集的进一步开发、在实际条件下的测试以及研究人员、汽车制造商和交通部门之间的合作。WZDrive 并不是一个可以大规模部署的现成解决方案，但它是朝着创建能够在最复杂的道路环境中安全运行的系统迈出的重要一步。这可能是实现城市和施工区域中完全自动驾驶的关键。
