基于Transformer的智能网联车辆预测性运动规划

doi:10.12141/j.issn.1000-565X.250056

华南理工大学学报(自然科学版) ›› 2026, Vol. 54 ›› Issue (3): 52-64.doi: 10.12141/j.issn.1000-565X.250056

基于Transformer的智能网联车辆预测性运动规划

李安然¹^,², 潘芋燕³, 徐震林⁴, 高博麟², 李永行¹, 于洪晟⁵, 陈艳艳¹

^1.北京工业大学城市交通学院，北京 100124
^2.清华大学车辆与运载学院，北京 100084
^3.宾夕法尼亚州立大学土木环境工程系，宾夕法尼亚州大学公园 16802
^4.代尔夫特理工大学土木工程和地球科学学院，代尔夫特 2826 CN
^5.中铁科学研究院集团有限公司电子计算技术研究所，北京 100081

收稿日期:2025-03-05 出版日期:2026-03-25 发布日期:2025-09-26
作者简介:李安然（1997—），男，博士生，主要从事智能交通、自动驾驶研究。E-mail： lianran@emails.bjut.edu.cn
基金资助:
国家自然科学基金青年项目(52402375);交通部交通运输行业重点科技项目(2021-ZD2-047);交通部交通运输行业重点科技项目(2022-ZD6-116);北京市教委科技一般项目(KM202410005002)

Predictive Motion Planning for Intelligent Connected Vehicles Based on Transformer Architecture

LI Anran¹^,², PAN Yuyan³, XU Zhenlin⁴, GAO Bolin², LI Yongxing¹, YU Hongsheng⁵, CHEN Yanyan¹

^1.College of Metropolitan Transportation，Beijing University of Technology，Beijing 100124，China
^2.School of Vehicle and Mobility，Tsinghua University，Beijing 100084，China
^3.Department of Civil and Environmental Engineering，Pennsylvania State University，PA 16802，USA
^4.Faculty of Civil Engineering and Geosciences，Delft University of Technology，Delft 2826 CN，Netherlands
^5.Institute of Electronic Computing Technology，China Railway Academy Group Co. ，Ltd. ，Beijing 100081，China

Received:2025-03-05 Online:2026-03-25 Published:2025-09-26
About author:李安然（1997—），男，博士生，主要从事智能交通、自动驾驶研究。E-mail： lianran@emails.bjut.edu.cn
Supported by:
the Young Scientists Fund of the National Natural Science Foundation of China(52402375);the Key Science and Technology Program of the Transportation Industry, Ministry of Transport(2021-ZD2-047)

摘要/Abstract

摘要：

智能网联车辆在复杂交通场景中的高效、安全运动规划是自动驾驶领域的关键挑战。该研究基于Transformer提出了ST-Trans交通预测模型，并通过ST-Trans开发了用于智能网联车辆的预测性运动规划器。ST-Trans利用Transformer从动态高精度地图提供的实时车辆数据和车道段结构信息中挖掘交通时空演化规律来预测车道段的未来交通状态，并利用车道段连通性和交叉口信号相位信息进一步提升预测准确性。模型采用编码器-解码器架构，通过车道编码器融合车辆与车道特征，道路编码器建模动态拓扑关系，解码器迭代生成未来交通状态序列。预测结果显示ST-Trans在平均绝对误差、均方根误差和准确率上分别比最优基准线模型高出12.2%、12.1%和3.55个百分点。基于ST-Trans的预测结果，预测性运动规划器采用双层结构，底层路径规划器动态选择目标点并融合动态规划与二次规划生成平滑路径，上层速度规划器构建时空走廊以压缩解空间，并同样结合动态规划与二次规划生成安全高效的速度曲线，从而显著降低运动规划任务的求解复杂度。该研究结合SUMO和CARLA对预测运动规划器进行了仿真实验，结果表明，基于ST-Trans的预测运动规划器能够实现预测性路径和速度规划，并在安全性、效率、舒适性和计算速度方面优于传统运动规划器。实验验证了所提方法能有效缩短高风险状态持续时间，提高通行效率，并保持较低的计算延迟。

关键词: 动态高精度地图, 运动规划, 交通预测模型, 深度学习

Abstract:

Efficient and safe motion planning for intelligent connected vehicles in complex traffic scenarios remains a pivotal challenge in the field of autonomous driving. This research proposed ST-Trans traffic prediction model based on the Transformer architecture and developed a predictive motion planner for intelligent connected vehicles leveraging ST-Trans. The ST-Trans model utilizes the Transformer architecture to mine spatial-temporal evolution patterns from real-time vehicle data and lane segment structural information provided by dynamic high-definition maps, thereby predicting future traffic states of lane segments. It further enhances prediction accuracy by incorporating lane segment connectivity and intersection signal phase information. The model adopts an encoder-decoder framework, where a lane encoder fuses vehicle and lane features, a road encoder models dynamic topological relationships, and a decoder iteratively generates future traffic state sequences. Experimental results demonstrate that ST-Trans outperforms the optimal baseline model by 12.2%, 12.1%, and 3.55 percentage points in terms of mean absolute error(MAE), root mean square error(RMSE), and accuracy, respectively. Based on the predictions from ST-Trans, the proposed predictive motion planner employs a two-layer structure. The lower-layer path planner dynamically selects target points and integrates dynamic programming with quadratic programming to generate smooth paths. The upper-layer speed planner constructs spatio-temporal corridors to compress the solution space and similarly combines dynamic programming and quadratic programming to generate safe efficient, and comfortable speed profiles. This structure significantly reduces the computational complexity of the motion planning task. Simulation experiments were conducted using SUMO and CARLA to evaluate the predictive motion planner. The results indicate that the ST-Trans-based predictive motion planner successfully implements predictive path and speed planning, and outperforms traditional motion planners in terms of safety, efficiency, comfort, and computational speed. The experiments verify that the proposed method effectively shortens the duration of high-risk states, improves traffic throughput and maintains low computational latency.

Key words: dynamic high-definition map, motion planner, traffic prediction model, deep learning

中图分类号:

李安然, 潘芋燕, 徐震林, 高博麟, 李永行, 于洪晟, 陈艳艳. 基于Transformer的智能网联车辆预测性运动规划[J]. 华南理工大学学报(自然科学版), 2026, 54(3): 52-64.

LI Anran, PAN Yuyan, XU Zhenlin, GAO Bolin, LI Yongxing, YU Hongsheng, CHEN Yanyan. Predictive Motion Planning for Intelligent Connected Vehicles Based on Transformer Architecture[J]. Journal of South China University of Technology(Natural Science Edition), 2026, 54(3): 52-64.

图/表 10

图1

图2

图3

表1

表2

表3

图4

图5

图6

表4

参考文献 39

[1]	GAO B， WAN K， CHEN Q， et al ．A review and outlook on predictive cruise control of vehicles and typical applications under cloud control system［J］．Machine Intelligence Research， 2023， 20（5）： 614-639.
[2]	BAO Z， HOSSAIN S， LANG H， et al ．High-definition map generation technologies for autonomous driving［EB/OL］．（2022-06-24）［2025-11-10］．arXiv preprint，2022：arXiv：.
[3]	DONG J， XU Q， WANG H， et al ．Mixed cloud control testbed：validating vehicle-road-cloud integration via mixed digital twin［J］．IEEE Transactions on Intelligent Vehicles， 2023， 8（4）： 2723-2736.
[4]	冯昶，杜清运，范晓宇，等．高精动态地图基础平台众源更新技术路线研究［J］．测绘地理信息，2023，48（1）： 10-15.
	FENG Chang， DU Qingyun， FAN Xiaoyu， et al ．A crowdsourcing update technology route of HD dynamic map basic platform［J］．Journal of Geomatics，2023，48（1）： 10-15.
[5]	SUNG I， CHOI B， NIELSEN P ．On the training of a neural network for online path planning with offline path planning algorithms［J］．International Journal of Information Management， 2021， 57： 102142/1-9.
[6]	NOTO M， SATO H ．A method for the shortest path search by extended Dijkstra algorithm［C］∥Proceedings of the 2000 IEEE International Conference on Systems，Man and Cybernetics．Nashville：IEEE，2000： 8-11.
[7]	ZHANG Z， ZHAO Z ．A multiple mobile robots path planning algorithm based on A-star and Dijkstra algorithm［J］．International Journal of Smart Home，2014，8（3）：75-86.
[8]	SCHMERLING E， JANSON L， PAVONE M ．Optimal sampling-based motion planning under differential constraints： the drift case with linear affine dynamics［C］∥Proceedings of the 54th IEEE Conference on Decision and Control．Osaka： IEEE， 2015： 5-18.
[9]	KUFFNER J， LAVALLE S ．RRT-connect： an efficient approach to single-query path planning［C］∥Proceedings of the 2 000 IEEE International Conference on Robotics and Automation．San Francisco：IEEE，2 000：995-1001.
[10]	REDDY T， SUPREETHI K ．Optimization of K-means algorithm： ant colony optimization［C］∥Proceedings of the 2017 International Conference on Computing Methodologies and Communication．Erode：IEEE，2017：530-535.
[11]	XIN J， ZHONG J， YANG F， et al ．An improved genetic algorithm for path-planning of unmanned surface vehicle［J］．Sensors， 2019， 19（11）： 2640/1-23.
[12]	PADEN B， ČÁP M， YONG S Z， et al ．A survey of motion planning and control techniques for self-driving urban vehicles［J］．IEEE Transactions on Intelligent Vehicles， 2016， 1（1）： 33-55.
[13]	DUBINS L ．On curves of minimal length with a constraint on average curvature， and with prescribed initial and terminal positions and tangents［J］．American Journal of Mathematics， 1957， 79（3）： 497-516.
[14]	REEDS J， SHEPP L ．Optimal paths for a car that goes both forward and backward［J］．Pacific Journal of Mathematics， 1991， 145（2）： 367-393.
[15]	WANG S， WANG Y， TAN M， et al ．Path planning of underwater biomimetic robot［M］∥Underwater Biomimetic Vehicle-Manipulator System．Singapore：Springer，2023： 89-125.
[16]	LIANG Z， ZHENG G， LI J ．Automatic parking path optimization based on Bezier curve fitting［C］∥Proceedings of the 2012 IEEE International Conference on Automation and Logistics．Zhengzhou：IEEE，2012：583-587.
[17]	ZIEGLER J， BENDER P， DANG T， et al ．Trajectory planning for Bertha—a local， continuous method［C］∥Proceedings of the 2014 IEEE Intelligent Vehicles Symposium．Dearborn：IEEE，2014：450-457.
[18]	WERLING M， KAMMEL S， ZIEGLER J， et al ．Optimal trajectories for time-critical street scenarios using discretized terminal manifolds［J］．The International Journal of Robotics Research， 2012， 31（3）：346-359.
[19]	YU L， SHAO X， WEI Y， et al ．Intelligent land-vehicle model transfer trajectory planning method based on deep reinforcement learning［J］．Sensors，2018，18（9）： 2905/1-22.
[20]	CHAI R， LIU D， LIU T， et al ．Deep learning-based trajectory planning and control for autonomous ground vehicle parking maneuver［J］．IEEE Transactions on Automation Science and Engineering， 2023，20（3）： 1633-1647.
[21]	VASWANI A， SHAZEER N， PARMAR N， et al ．Attention is all you need［C］∥Proceedings of 31st Conference on Neural Information Processing Systems．Long Beach： NIPS， 2017： 6000-6010.
[22]	BARMPOUNAKIS E， GEROLIMINIS N ．On the new era of urban traffic monitoring with massive drone data： the pNEUMA large-scale field experiment［J］．Transportation Research Part C： Emerging Technologies， 2020， 111： 50-71.
[23]	WERLING M， ZIEGLER J， KAMMEL S， et al ．Optimal trajectory generation for dynamic street scenarios in a frenét frame［C］∥Proceedings of the 2010 IEEE International Conference on Robotics and Automation．Anchorage： IEEE， 2010： 987-993.
[24]	MCNAUGHTON M， URMSON C， DOLAN J， et al ．Motion planning for autonomous driving with a conformal spatiotemporal lattice［C］∥Proceedings of the 2011 IEEE International Conference on Robotics and Automation．Shanghai： IEEE， 2011： 4889-4895.
[25]	PIVTORAIKO M， KELLY A ．Differentially constrained motion replanning using state lattices with graduated fidelity［C］∥Proceedings of the 2008 IEEE/RSJ International Conference on Intelligent Robots and Systems．Nice： IEEE， 2008： 2611-2616.
[26]	ZIEGLER J， BENDER P， SCHREIBER M， et al ．Making bertha drive—an autonomous journey on a historic route［J］．IEEE Intelligent Transportation Systems Magazine， 2014， 6（2）： 8-20.
[27]	ZHOU Z， YE L， WANG J， et al ．HiVT： Hierarchical vector transformer for multi-agent motion prediction［C］∥Proceedings of the 2022 IEEE/CVF Confe-rence on Computer Vision and Pattern Recognition．New Orleans： IEEE， 2022： 8813-8823.
[28]	MERCY T， van PARYS R， PIPELEERS G ．Spline-based motion planning for autonomous guided vehicles in a dynamic environment［J］．IEEE Transactions on Control Systems Technology，2017， 26（3）：1-8.
[29]	LI A， XU Z， LI W， et al ．Urban signalized intersection traffic state prediction：a spatial-temporal graph model integrating the cell transmission model and transformer［J］．Applied Sciences，2025，15（5）：2377/1-23.
[30]	HAMED M， AL-MASAEID H， SAID Z ．Short-term prediction of traffic volume in urban arterials［J］．Journal of Transportation Engineering，1995，121（3）：249-254.
[31]	DRUCKER H， BURGES C， KAUFMAN L， et al ．Support vector regression machines［J］．Advances in Neural Information Processing Systems， 1997， 9：779-784.
[32]	ATHEY S， TIBSHIRANI J， WAGER S ．Genera-lized random forests［J］．The Annals of Statistics，2019， 47（2）： 1148-1178.
[33]	YE Q， WONG S， SZETO W ．Short-term traffic speed forecasting based on data recorded at irregular intervals［C］∥Proceedings of 2010 13th International IEEE Annual Conference on Intelligent Transportation Systems. Madeira Island： IEEE，2010： 1541-1546.
[34]	XU Y， LU Y， JI C， et al ．Adaptive graph fusion convolutional recurrent network for traffic forecasting［J］．IEEE Internet of Things Journal，2023，10（13）：11465-11475.
[35]	WU Z， PAN S， LONG G， et al ．Graph wavenet for deep spatial-temporal graph modeling［EB/OL］．（2019-03-31）［2025-11-10］．arXiv preprint， 2019： arXiv：.
[36]	LOPEZ P， BEHRISCH M， BIEKER-WALZ L，et al ．Microscopic traffic simulation using SUMO［C］∥Proceedings of the 2018 21st International Conference on Intelligent Transportation Systems．Maui：IEEE，2018：2575-2582.
[37]	DOSOVITSKIY A， ROS G， CODEVILLA F， et al ．CARLA： an open urban driving simulator［C］∥Proceedings of the 1st Conference on Robot Learning．Mountain View： PMLR， 2017： 1-16.
[38]	FAN H， ZHU F， LIU C， et al ．Baidu Apollo EM motion planner［EB/OL］．（2018-07-20）［2025-11-10］.arXiv preprint，2018：arXiv：.
[39]	WESTHOFEN L， NEUROHR C， KOOPMANN T，et al ．Criticality metrics for automated driving： a review and suitability analysis of the state of the art［J］．Archives of Computational Methods in Engineering，2023，30（1）：1-35.

模型	MAE	RMSE	ACC/%
ARIMA	0.509	1.007	69.91
RF	0.417	0.815	78.95
SVR	0.434	0.849	77.81
FNN	0.337	0.664	84.77
AGCRN	0.316	0.624	86.83
GWN	0.303	0.593	88.43
ST-Trans	0.266	0.521	91.98

模型	MAE	RMSE	ACC/%
ST-Trans_noVT	0.284	0.561	90.02
ST-Trans_noVA	0.274	0.539	90.66
ST-Trans_noLT	0.280	0.563	90.19
ST-Trans_noLD	0.271	0.536	91.00
ST-Trans_noST	0.314	0.627	88.34
ST-Trans	0.266	0.521	91.98

超参数	MAE	RMSE	ACC/%
T_h = 2	0.404	0.791	80.61
T_h = 3	0.353	0.698	85.79
T_h = 4	0.309	0.605	88.84
T_h = 5	0.286	0.566	90.29
T_h = 6	0.272	0.538	91.16
T_h = 7	0.266	0.521	91.98
T_h = 8	0.264	0.517	92.25
T_p = 10	0.248	0.497	92.96
T_p = 15	0.254	0.508	92.50
T_p = 20	0.266	0.521	91.98
T_p = 25	0.289	0.568	89.98
d_h = 16	0.274	0.537	90.81
d_h = 32	0.269	0.529	91.62
d_h = 64	0.266	0.521	91.98
d_h = 128	0.264	0.518	92.11
N_h = 2	0.279	0.560	90.34
N_h = 4	0.268	0.528	91.69
N_h = 8	0.266	0.521	91.98
N_h = 16	0.268	0.526	91.77

场景	行为	模型	碰撞时间			平均通行时长	平均计算延误
场景	行为	模型	高风险状态	风险预警状态	安全状态	平均通行时长	平均计算延误
低密度	直行	EM规划器	1.76	3.27	6.12	11.15	0.087
	直行	ST-Trans规划器	0.65	6.31	3.07	10.03	0.069
	左转	EM规划器	2.55	3.13	10.95	16.63	0.102
	左转	ST-Trans规划器	0.98	9.65	4.53	15.16	0.075
	右转	EM规划器	2.29	3.57	7.60	13.46	0.095
	右转	ST-Trans规划器	1.14	7.34	3.59	12.07	0.073
高密度	直行	EM规划器	2.52	4.33	8.42	15.27	0.094
	直行	ST-Trans规划器	1.04	8.79	4.23	14.06	0.070
	左转	EM规划器	3.95	4.53	14.86	23.34	0.106
	左转	ST-Trans规划器	1.98	13.14	6.23	21.35	0.077
	右转	EM规划器	3.75	4.91	10.46	19.12	0.102
	右转	ST-Trans规划器	1.92	10.09	5.53	17.54	0.076

基于Transformer的智能网联车辆预测性运动规划

Predictive Motion Planning for Intelligent Connected Vehicles Based on Transformer Architecture

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 39

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王德弘, 张子轩. 基于改进YOLOv5s的输电塔螺栓松动检测[J]. 华南理工大学学报(自然科学版), 2026, 54(2): 25-37.
[2]	凌飞, 顾学荣. 集成机器学习和元启发式算法的靶点抑制剂活性预测[J]. 华南理工大学学报(自然科学版), 2026, 54(2): 91-101.
[3]	杨俊美, 张邦成, 杨璐, 曾徳炉. 一种基于时域全面注意力机制的单通道语音分离模型[J]. 华南理工大学学报(自然科学版), 2026, 54(1): 70-82.
[4]	陈城, 王淼, 王馨瑶, 高志明, 周璇, 闫军威. 基于LSTM-AE的办公建筑照明插座多工况能耗异常检测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(9): 117-126.
[5]	岳永恒, 赵志浩. 基于深度学习的车道线检测算法[J]. 华南理工大学学报(自然科学版), 2025, 53(9): 22-30.
[6]	左彬, 董天航, 张泽辉, 王华珺, 霍为炜, 宫文峰, 程军圣. 基于深度学习的质子交换膜燃料电池故障预测方法[J]. 华南理工大学学报(自然科学版), 2025, 53(7): 21-30.
[7]	胡广华, 代志刚, 王清辉. 基于图神经网络的B-Rep模型加工特征识别方法[J]. 华南理工大学学报(自然科学版), 2025, 53(5): 20-31.
[8]	张续冲, 杨俊. 基于视觉的仿人机器人自主抓取研究[J]. 华南理工大学学报(自然科学版), 2024, 52(7): 53-61.
[9]	胡习之, 崔博非, 王琴, 刘鸿. 基于记忆泊车场景的视觉SLAM算法[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 1-11.
[10]	刘昊, 元辉, 陈晨, 高伟. 基于采样的点云几何编码框架[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 148-156.
[11]	杨春玲, 梁梓文. 特征域近端高维梯度下降图像压缩感知重构网络[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 119-130.
[12]	郑娟毅, 董嘉豪, 张庆珏, 等. 基于残差密集网络的智能超表面信道估计算法[J]. 华南理工大学学报(自然科学版), 2024, 52(3): 102-111.
[13]	周浪, 樊坤, 瞿华, 等. 基于ECA注意力机制改进的EfficientNet-E模型的森林火灾识别[J]. 华南理工大学学报(自然科学版), 2024, 52(2): 42-49.
[14]	陈琼, 冯媛, 李志群, 杨咏. 基于语义-视觉一致性约束的零样本图像语义分割网络[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 41-50.
[15]	刘卫朋, 李旭, 任子文, 祁业东. 多尺度残差可变形肺部CT图像配准算法[J]. 华南理工大学学报(自然科学版), 2024, 52(10): 135-145.