用於駕駛軌跡預測的圖神經網路層選擇比較研究

在自動駕駛系統中，精確的軌跡預測是實現安全高效規劃的關鍵技術之一。隨著圖神經網路（GNN）在建模道路代理間時空互動方面展現出巨大潛力，如何選擇合適的GNN架構成為研究熱點。然而，目前針對軌跡預測的GNN層選擇缺乏系統化的指導和標準化流程。近日，一篇發表在國際知名學術平臺arXiv上的研究論文對這一問題進行了深入探討，透過對19種不同型別的圖神經網路層進行詳細的比較分析，旨在找出最有效的軌跡預測模型架構。

該研究由George Daoud等人完成，並已被2026年IEEE智慧車研討會（IEEE IV 2026）接收。研究團隊在特定的超引數設定下，系統評估了19種圖神經網路層在捕捉空間互動和時間動態方面的能力。實驗結果表明，ARMA（自迴歸移動平均）層、Chebyshev（切比雪夫）層以及拓撲感知層在多個指標上均表現出優於其他層的效能，成為五項表現突出的層組合中的佼佼者。這些發現為構建高效能軌跡預測模型提供了重要參考。

除了效能對比，該研究還提煉出若干實用的設計原則。首先，基於和的聚合方法（sum-based aggregation）比基於均值的聚合（mean-based aggregation）更為有效，能夠更好地整合鄰居節點的資訊。其次，引入多頭注意力機制可以使得模型捕獲更加豐富的互動特徵，從而提升預測的準確性。此外，為不同跳距（hop distance）分配不同的權重也是提高預測精度的關鍵因素。這些原則不僅有助於設計更可解釋的模型，也為未來的研究提供了清晰的方向。

這項研究的實際意義在於，它為自動駕駛領域的工程師和研究人員提供了明確的GNN層選型指南，有望推動軌跡預測技術的標準化和效能提升。隨著自動駕駛技術對安全性和即時性要求的不斷提高，此類系統性的比較研究將發揮越來越重要的作用。該論文的完整內容可在arXiv上獲取，其成果預計將在即將舉行的IEEE IV 2026上引起廣泛關注。