融合复杂网络和记忆增强网络的轨迹预测技术 *

赵高士，陈 龙，蔡英凤，廉玉波，王 海，刘擎超，滕成龙

（1. 江苏大学汽车工程研究院，镇江 212013；2. 江苏大学汽车与交通工程学院，镇江 212013；3. 比亚迪汽车工业有限公司汽车工程研究院，深圳 518118）

前言

自动驾驶汽车（automous driving vehicle， ADV）颠覆人们的出行模式和工具选择，被寄予厚望去解决长期以来交通系统面临的安全、效率、节能等挑战。当前，相关研究和应用已引起世界各国政府、车企与供应商、消费者以及投资机构等的高度重视和关注。在自动驾驶汽车“环境感知-决策规划-控制执行”3 大技术路线中，基于目标感知和跟踪结果的轨迹预测技术，属于高层次感知和认知，在感知到决策中发挥了承上启下的关键作用。周边交通参与者的行驶轨迹预测是将目标历史运动信息转化为对其未来时空位置信息的预测，对于避免自车与其他车辆或障碍物发生碰撞，实现安全高效的自动驾驶具有重要意义。

驾驶环境是一个具有多样性、动态性的复杂系统，同时包括路面和标线等各种静态对象以及车辆和行人等复杂的动态对象。各交通要素之间的交互性对于精确预测轨迹意义非凡，智能体不仅要注意周边其他交通参与者，还应受到道路以及交规的约束，以便适应场景中交通参与者的速度，让出路权或合并到相邻车道。为实现这种交互性，相关学者提出了不同的交互机制，社交池化（Social LSTM［1］，Desire［2］）通过将场景中不同对象之间的交互信息整合到卷积核中，学习轨迹间的关系。Alahi 等［1］在LSTM（long short-term memory）网络的基础上提出了一种名为Social-LSTM 的模型。该模型引入了社交池化层来描述固定大小空间内行人之间的交互作用；基于图神经网络的方法（Trajectron++［3］，PGP）将轨迹间的关系编码为图结构来学习图中节点和边的特征；注意力机制（Scene Transformer［4］，Social Attention［5］）凭借其强大的能力提高了轨迹预测精度，但可解释性会受到负面影响。上述交互机制通过捕捉周围其他交通参与者的交互特征用于后续的预测，同时，也有许多研究利用车辆和地图之间的交互特征，利用图编码器学习每个参与者的局部车道图表示，并通过交互模块在局部图表示之间有效传递消息，以实现轨迹预测。然而，现有轨迹预测算法在考虑空间交互特性时，通常基于目标间欧氏距离的大小来对空间交互关系进行建模。对于车辆而言，不同的车辆行驶状态参数和尺寸会导致相同欧氏距离下产生不同的交互影响力，因此常规方法不能有效地描述车辆间复杂的交互特性。

针对现有交互建模方法存在的不足，本文引入了复杂网络（complex network）对复杂交通场景进行刻画。复杂网络是一种研究复杂系统的重要解决方案，它可以描述各种现实世界中的系统。例如，基于复杂网络的社交网络分析可以帮助企业进行精准营销和舆情监测［6］，相关学者利用复杂网络帮助城市规划师设计更高效的交通系统［7］。但是，目前缺乏将复杂网络与微观交通联系起来的相关研究，基于此，本文中利用复杂网络描述和分析微观交通系统中的交通参与者（如车辆、行人等）之间及交通参与者与地图之间的复杂交互关系，能够有效刻画微观交通系统的动态演化过程。

此外，现有相关工作都采用基于参数的方法，该方法通过模型训练来优化模型参数，将所有经验隐式地总结为一个整体存储在模型中［8］。尽管在不同方法中采用各种不同的架构（编码器-解码器［9-10］、生成器-鉴别器［11-12］、条件变分自编码器［3］），但基于参数的方法在可解释性和性能方面存在一定缺陷。首先，因为其通常表现为“黑箱”模式，缺乏中间过程的展示而缺乏可解释性。其次，训练数据中包含许多与当前场景不相关的实例，可能会对模型的预测结果产生负面影响。为解决这一限制，Xu 等［8］提出了一种基于记忆增强网络（memory-augmented networks， MAN）的框架，该框架在当前预测和历史数据之间建立了更明确的联系，提供了更好的可解释性和预测性能。记忆增强网络最早由DeepMind团队在论文《Neural Turing Machines》中提出，该模型引入了外部内存来增强神经网络的记忆能力。随着研究的进步，记忆增强网络被进一步优化并广泛应用，相关研究表明它在处理少样本学习任务［13］和序列任务［14］中具有不错的表现。最近，在自动驾驶轨迹预测方面，一些研究采用记忆增强网络来捕获车辆运动轨迹的语义信息，并将其用于车辆［15］或行人［8］的轨迹预测。

整体来说，现有的多模态轨迹预测研究在交互建模和预测框架方面存在一定缺陷，影响了多模态轨迹预测的精度和可解释性。为此，本文中提出了融合复杂网络和记忆增强网络的多模态自动驾驶轨迹预测方法。该方法基于复杂网络理论，将自身所在的交通场景建模为由交通参与者层和道路层构成的双层动态复杂网络。以双层复杂网络节点的动力学为指导，构建了一个拟人的三步走轨迹预测系统，首先利用记忆增强网络预测目标点，其次判断道路节点出边的可达性得到参考轨迹，最后以参考轨迹为条件获得整个预测轨迹。这样的预测方式将复杂问题分解为简单问题以获得更好的预测精度，且更具有可解释性。

本文所提出的方法在建模与编码时考虑了智能体的行驶速度、加速度、航向角等行驶状态参数和形状尺寸，同时也考虑了智能体与道路的相互影响。采用高斯可变安全场来表述交通参与者之间复杂的交互影响，并进一步计算目标间风险大小作为交通参与者层边的权重，弥补了常规欧氏距离方法对交互关系建模的不足，更加真实准确地反映了复杂环境中智能体间的交互关系。未来轨迹目标点的预测采用基于记忆增强网络的方法，使用内存库存储过去特征和对应的未来目标点。前向计算中使用内存寻址器搜索与当前场景特征相似的过去特征，获取其对应的目标点，进而聚类产生多模态的未来目标点。道路层节点出边的可达性体现了交通参与者层对道路层的影响，设计并训练了一个二分类模型，更新自车周边的道路层节点出边状态。最后，采用图遍历的方法获得预测起点到预测终点的多模态参考路径，并以此为条件解码得到预测结果。

在公开数据集nuScenes 上的验证结果显示，最小平均位移误差为1.37 m，最小最终位移误差为8.13 m，性能优异且具有较好的可解释性。

本文的主要贡献有：

（1） 将复杂网络和记忆增强神经网络进行融合，构建了双层动态复杂网络模型，实现了高可靠性和可解释性的多模态轨迹预测，解决了复杂交通场景中交通参与者轨迹预测不准确、适用性和可解释性差的问题。

（2） 构建了一种由注意力机制和包含风险权重的社交池组成的复杂网络编码模块，实现了动态复杂场景中交通参与者与道路约束之间作用特征的全面有效提取。

（3） 构建了以参考轨迹为条件的轨迹解码模块，实现了兼顾精度和可解释性的多模态轨迹输出。

1 基于复杂网络和记忆增强网络的轨迹预测算法

1.1 问题描述

以感兴趣车辆及附近其他交通参与者的过去轨迹和场景高清地图作为模型输入，预测感兴趣车辆的未来轨迹。本文将智能体i过去th个时间步长的历史轨迹表示为一系列运动状态向量Xi=每个运动状态向量s包括了智能体在该时间步长的鸟瞰图位置坐标(xit，yti)、速度vit、加速度ait、偏航率ωit：sit={xit，yti，vit，ait，ωit}。为考虑未来轨迹分布的多样性，为目标车辆生成了K条轨迹：Y={Y1，…，Yk，…，YK}，每条轨迹包含了未来tf个时间步长内的x-y坐标对，Yk=每条轨迹代表了预测分布中的一种可能的运动路径。

图1 为所提模型的整体框架。以双层动态网络为指导，分3 步进行轨迹预测。主要包括：（1）采用复杂网络编码器提取交通参与者层交互特征，并更新道路层节点；（2）通过目标点预测器预测未来目标点；（3）利用轨迹解码器判断道路节点出边可达性后结合目标点生成参考轨迹，以参考轨迹为条件解码获得最终预测结果。

图1 CN-MAN整体框架图

1.2 基于复杂网络的场景交互建模

拟人化的自动驾驶技术在提高自动驾驶的安全性和舒适性方面具有潜在的优势。人类驾驶员在高级别驾驶中能够依靠其高效的综合认知能力应对复杂的交通场景，复杂网络作为研究复杂系统的工具，可以通过模拟交通场景中的各种因素，生成更加真实的交通场景模型。这种模型可以帮助自动驾驶系统更好地理解和应对复杂的交通环境，从而提高自动驾驶的拟人化水平。

本文提出了一种建模自动驾驶车辆所在的微观场景的双层复杂网络模型，其中第1 层为交通参与者层，第2层为道路层。

1.2.1 交通参与者层与道路层

在第1层网络中，将交通参与者定义为节点，交通参与者之间的交互关系即风险关系定义为节点之间的边构造了交通参与者层Gat=(Va，Ea，Wa)t。其中，Gat代表第1 层网络，交通参与者层：Va是第1 层节点的集合；Ea是第1 层边的集合；Wa为边的权值集合，表示节点之间的交互关系，权值的计算如图2所示。

图2 交通参与者层边的权重计算示意图

在真实的行车环境中，由于交通参与者（下文中以车辆为例）的状态和尺寸不同，相同距离下智能体之间的交互强度也不同。以往的工作通常使用目标间的欧氏距离大小来建模空间交互关系，难以描述交通参与者之间复杂的交互特性。因此，本文中基于可变高斯安全场来计算节点间的风险关系：

式中：Sdyn表示安全场中某一位置的场强；Ca为场强系数； (x0，y0)为场源车辆位置坐标； (x′0，y′0)为动态场景下场源车辆中心转移坐标； (x，y)为可变高斯安全场中任意点的位置；kv为调节因子，且有0 ＜kv＜1 或-1 ＜kv＜0，其符号与运动的前后方向相对应；β为(x0，y0)与(x′0，y′0)构成的转移矢量与x坐标轴的夹角；Ll和Lw分别为车辆的长和宽；σ′x和σ′y为与车辆外形相关的函数；v为车辆运动的速度矢量；a为车辆运动的加速度；μ和γ分别为加速度和速度影响因子；δx和δy分别为车辆纵向和横向分布影响因子。

驾驶环境中的节点交互是一个动态的复杂过程，节点之间的风险与距离、速度值和方向角密切相关。本文在可变高斯安全场的基础上，建立了节点间的风险关系的计算函数：

式中：|Si，j|是节点vi在节点vj处的场强； |vj|是节点vj的速度标量； 方向角θi，j是节点vj的速度矢量vj与场强矢量Si，j的夹角（顺时针为正向）；kc为风险关系调节因子。将节点vi和节点vj的状态代入公式，可计算得到某一时刻节点vi对节点vj的风险值，即节点vi向节点vj的有向边eij的权重wij。值得注意的是，本文所提方法允许以任意交通参与者为场源，通过计算得到场景中所有交通参与者受到的风险值，从而获得所有有向边的权重。

道路作为交通三要素之一，是建模微观交通场景不可或缺的一部分。受相关工作的启发，本文将高清地图表示为车道图的形式，构成了道路层Grt=(Vr，Er)，道路层以固定长度的道路中心线分段作为节点，路段的拓扑关系作为边。

根据现实生活中车辆车道保持或变道的需求，受PGP 中构建车道图的启发，本文道路层节点的出边包含后继边和邻近边两种类型，后继边沿可行驶方向连接该车道相邻的两个节点。对于交叉口，一个给定的节点可以有多个后继节点，多个节点可以有相同的后继节点；邻近边沿可行驶方向连接相邻车道的两个节点，前提是它们彼此之间的距离和运动方向在阈值内。遍历道路层车道图获得的任何路径都满足车辆在场景中的合法路线。

1.2.2 双层复杂网络

交通场景中的各个要素之间存在复杂的交互关系，因此本文将交通参与者层与道路层联系起来构成双层复杂网络，用以刻画交通场景，如图3所示。

图3 双层复杂网络示意图

本文连接交通参与者层节点vai与其对应位置一定范围内的道路层节点vri，双层复杂网络模型由下式表示：

式中：(t)表示交通参与者层节点vai在t时刻的节点状态；等号右边第1 部分fa(Sai(t))表示交通参与者层自身的单个节点动力学，第2 部分表示交通参与者层的层内耦合，其中baij表示层内连接情况，若节点vai与节点vaj存在连边则为1 否则为0，同理，第3部分表示交通参与者层与道路层的层间耦合，caijr表示层间连接情况；N和M分别代表交通参与者层和道路层的节点个数。

第3 部分交通参与者层节点对道路层节点的作用体现在交通参与者的运动状态对道路通行权变更的影响；反过来道路层节点对交通参与者层节点的影响体现在道路拓扑结构和可达性对交通参与者运动的约束。

以双层复杂网络为指导，本文通过复杂网络编码器、目标点预测器和轨迹解码器3 个模块实现了目标车辆 的未来轨迹预测。

1.3 复杂网络编码器

首先使用3 个GRU 编码器对感兴趣车辆轨迹、周围车辆轨迹及车道特征进行独立编码，分别得到感兴趣车辆历史轨迹特征向量Hego、周边交通参与者编码和车道节点编码Hrv。

根据上文建立的风险关系计算函数求得t时刻感兴趣车辆vego受到的距离阈值内其他交通参与者的空间交互影响力，即交通参与者层边的权值集合Wa。再将其用softmax 函数进行归一化作为赋予其他交通参与者的空间注意力权重Wt，ego。接下来将Wt，ego与对应周边交通参与者的编码相乘更新交通参与者编码得到。最后经过多层感知机得到交互池化向量Mt，ego。该方法考虑了更多的车辆行驶状态参数和尺寸，可以更真实、准确地捕捉现实交通环境中交通参与者之间复杂的交互特性，且有更好的可解释性。

为体现交通参与者层对道路层的影响，采用缩放点积注意用感兴趣车辆附近的交通参与者编码更新车道节点编码Hrv。通过对距离阈值内的其他交通参与者编码进行线性投影来获取键和值，通过对Hrv进行线性投影来获取查询。最后，将缩放点积注意层的输出与原始车道节点编码进行拼接，得到更新后的节点编码H˙rv。

1.4 目标点预测器

目标点预测器将具有代表性的实例存储在内存库，前向计算中使用内存寻址器在内存库中搜索与当前场景相似的实例，并借此预测未来目标点。

1.4.1 内存库

内存库采用类似于字典的构造：每一组数据由一对相关的过去特征和目标点构成。过去特征存储感兴趣车辆的历史轨迹特征、认知域范围内其他智能体特征（交互特征）和局部道路特征，目标点存储相应的未来目标点特征。所有的过去特征组成过去特征记忆库Mp={p1，p2，…，pi，…，pU}，pi记录从第i个训练样本的历史信息中提取的特征，使用第i个训练样本的交互池化向量Miego与局部道路节点特征进行连接后作为输入的特征；所有的目标点组成未来目标点记忆库Mf={t1，t2，…，ti，…，tU}，ti记录了第i个训练样本的目的地中提取的特征，使用第i个训练样本真实轨迹终点经过全连接层编码得到的特征向量作为输入。过去特征记忆库和目标点记忆库有相同的大小U。

为保证内存库的多样性和代表性，需要在内存库初始化时基于余弦相似度进行数据过滤。余弦相似度是一种用于比较两个向量之间相似度的度量方法，范围在-1～1 之间。余弦相似度越大，表示两个向量越相似。假设实例i(pi，ti)是内存库中已有的数据，实例j(pj，tj)是待入库的数据，则实例j在以下情况被视为冗余数据而跳过，不会加入数据库：

式中(pi，ti)和(pj，tj)分别表示实例i和实例j的过去记忆特征和未来目标点特征。

1.4.2 内存寻址与聚类

内存寻址器旨在通过比较输入向量和内存库中的过去特征，挑选出与输入向量最相似的内存实例，并输出它们对应的未来目标点特征。与数据过滤类似地，内存寻址器也基于余弦相似度实现。假设在前向计算中待预测车辆的历史信息编码为向量xp，使用余弦相似度来计算输入向量xp与内存库中每个过去特征pi(i= 1，2，…，U)的相似度分数：

虽然数据筛选已经在一定程度上消除了冗余，使内存库中的目标点更具多样性，但仍难以刻画交通场景中车辆轨迹的复杂性，因为在现实生活中，车辆轨迹数据存在长尾效应。本文中提出一种两步走的目标点聚类方法来捕捉这些内存实例并计算其概率，以实现多样化的预测。

在预测K个可能的目标点时，通过相似性得分来挑选出L≫K个内存实例，并将其解码成L个粗略目标锚。从而尽可能多地捕获智能体的运动模式。然后使用K-means 聚类方法对L个粗略目标锚进行聚类，以产生K个可能的目标点。进一步整合彼此接近的运动模式，使目标点预测结果兼顾多样性和代表性，最终通过这种两步目标点预测策略获得更加精确和可信的未来目标点预测结果。

此外，为计算不同目标点的概率，提出一种目标点概率计算方法，假设存在K个聚类簇C1，C2，…，Ck，…，CK，其中Ck包含nk个内存实例，对于每个聚类簇Ck，计算其内部所有样本之间的平均相似度分数：

式中s(xp，pki)是内存实例i和输入向量xp之间的相似度得分。

然后对所有聚类簇的平均相似度得分进行归一化处理，获得每个聚类簇对应目标点的概率：

式中：Pk表示第k个聚类簇对应的目标点概率；表示第k个聚类簇中所有样本的平均相似度分数。所有目标点的概率之和为1，这样得到的概率可以反映目标点在当前场景下的预测置信度。这样预测的目标点可以捕捉低频出现的轨迹终点且合并高频出现的终点，提高预测的多样性和鲁棒性。

1.5 轨迹解码器

轨迹解码器由两部分组成，首先遍历车道图得到参考轨迹，再以参考轨迹为条件解码得到最终的预测结果。

现实中人类驾驶员在驾驶途中会根据当前场景判断某冲突路段自己是否可以优先通行，即判断自车是否拥有该路段的通行权，尤其是在变道等强交互场景中。本文训练了一种基于MLP 的道路节点出边的分类器，该分类器共享权重，用于判断每个节点的出边(u，v)在当前场景下是否可行：

使用每个预测实例的地面真实未来轨迹确定车辆访问了哪些节点。为避免在交叉口因为多车道相交而错误地分配道路层节点，本文不仅考虑了智能体与道路节点的距离，还要求节点代表的路段方向与智能体运动方向的夹角在阈值内。如果节点u和v都被访问，则边(u，v)被视为可行，否则为不可行。本文使用地面真实轨迹访问的所有边的标签，用交叉熵损失作为分类器的损失函数：

式中：Q表示地面真实轨迹访问的所有边的数量；yi表示第i个样本的真实标签;i表示第i个样本的预测标签。

通过得到所有节点出边的可达性，构建一个新的有向连通图，进一步采用图遍历算法来寻找图中预测起点到预测目标点的路径作为参考轨迹。

在获得参考轨迹后，通过以参考轨迹为条件的解码过程来完成整个轨迹。本文中将自车轨迹特征Hego、局部道路特征和由MLP 编码的参考轨迹特征串联起来，对整个轨迹进行解码。为避免惩罚多样化合理的预测轨迹，采用胜者通吃的策略，使用K条预测轨迹Y={Y1，…，Yk，…，YK}中距离真实轨迹平均位移误差最小的作为损失函数：

损失函数LCN-MAN由分类器的交叉熵损失函数LBC和真实与轨迹解码器的损失函数Ltra组成：

2 实验

2.1 数据集

利用nuScenes数据集对所提算法进行评估验证，该数据集是一个拥有1 000个场景、每个场景20 s的自动驾驶汽车数据集，涵盖了波士顿和新加坡地区。本文的预测任务是利用过去2 s 的对象历史和地图信息预测未来6 s 内的行驶轨迹。为进行公正的比较，使用了nuScenes 软件工具包提供的标准分割方法。通过在这一实验平台上的全面测试和验证，得以充分展示了所提出方法具备的优越性和实用性，也可以为相关领域的后续研究提供有力的借鉴和支持。

2.2 评价指标

使用最小平均位移误差（mADE_K）和最小最终位移误差（mFDE）两个指标对预测性能进行评价。其中mADE_K是K条概率最高的候选轨迹的整个时间步长上预测轨迹点与地面真值之间的平均L2 距离，mFDE为概率最高的候选预测轨迹终点与地面真值之间的位移误差。计算公式为

式中：([i]，[i])为感兴趣车辆的第i条预测轨迹在τ时刻的位置； (xtτruth，yτtruth)为该车辆在τ时刻的地面真实轨迹位置；tf是预测步长。

2.3 实验结果

将提出的CN-MAN 与nuScenes 排行榜中的如下典型模型进行定量和定性分析。

（1）P2T：该方法根据IRL 策略预测合理的智能体目标，并在场景上定义的粗略2D网格上生成到达这些目标的路径，最后提出一种基于注意力机制的轨迹生成器来预测轨迹。

（2）AgentFormer：该模型在推断智能体的未来位置时，可以关注任何先前时间步长的任何智能体的特征。所有智能体的潜在意图也被联合建模，允许一个智能体行为的随机性影响其他智能体。

（3）GOHOME：利用高清地图的图形表示和稀疏投影生成一个热力图，代表给定的交通场景中某智能体未来位置的概率分布。

（4）Trajectron++：通过生成多智能体轨迹预测并考虑动力学约束的通用方法，采用语义地图整合高维异质数据，有效提高预测的精度和可扩展性。

2.3.1 结果分析

对比本文所提方法CN-MAN 与上述先进模型的性能，如表1 所示。结果表明，所提出的方法在mADE_5 以及mADE_10 指标上取得最优结果。此外，与P2T的对比结果表明，使用基于矢量地图的道路表征比栅格地图更能捕捉道路对智能体运动的影响。本文所提出方法在指标mFDE_1 的表现逊于GOHOME，这可能缘于本模型在对目标点的预测中使用聚类算法限制了目标点取值范围的大小，影响最终预测结果。

表1 CN-MAN与Nuscenes数据集榜单先进模型的比较

对所提出的模型在nuScenes数据集上进行可视化效果展示。图4 展示了该模型的预测轨迹，红色线条为预测轨迹，绿色线条为地面真实轨迹。在路段上的预测效果非常贴合真实轨迹，而在交叉口处的预测轨迹也表现出良好的多模态性，显示出针对不同轨迹匹配的置信度，从侧面体现了模型预测结果的安全性。同时模型预测得到不同轨迹的速度差异，准确地捕捉了可能存在的速度变化，说明所提出模型具有相当的预测精度，另一方面证明了该模型在考虑诸多因素（如车道结构、智能体的行驶速度、加速度、航向角等）的同时，仍然保持灵活性和可拓展性。

图4 模型预测效果

2.3.2 消融实验

探讨CN-MAN 模型中各模块的有效性，包括智能体节点交互池化，智能体与道路节点注意力层和参考轨迹。表2给出实验结果，结果表明以上模块，尤其是交互池化与参考轨迹，都有助于提高预测的准确性。

表2 部分模块在Nuscenes数据集上的消融实验

此外，本文对目标点预测器中初筛目标点数L（表3）与过滤实例的相似度阈值θ（图5）进行了研究。实验结果表明：当相似度阈值过大时，大量冗余信息被保留，影响轨迹预测的多样性；相反，当相似度阈值过小时，许多有用的信息也被抛弃，从而影响预测性能。同样，当初筛目标点数L取值过大时，会包含很多不相关的实例，而取值过小时会降低目标点预测的多样性，都会对预测精度产生影响。最终，通过实验发现，当阈值θ设定为0.7，L设置为140 时模型性能最佳。

表3 目标点预测器中初筛目标点数L对预测精度的影响

图5 目标点预测器中过滤阈值θ对预测精度的影响

2.3.3 实时性验证

使用一个RTX-3090 GPU在nuScenes数据集上运行整个预测模型20 次。每个样本平均预测时间为23.16 ms，实时预测帧率为43.2 fps，大大快于常见的数据采集采样率。

3 结论

提出一个基于复杂网络和记忆增强神经网络的自动驾驶轨迹预测方法，创新构建了双层动态复杂网络模型，实现了高可靠性和可解释性的多模态轨迹预测。该模型使用高斯可变安全场计算风险权重，考虑了交通参与者的行驶状态参数、形状尺寸和智能体与道路之间的相互影响，真实准确地反映复杂环境中多交通主体间的交互关系；构建了一种由注意力机制和包含风险权重的社交池组成的复杂网络编码模块，实现了动态复杂场景中交通参与者与道路约束之间作用特征的全面有效提取；构建了以参考轨迹为条件的轨迹解码模块，实现了兼顾精度和可解释性的多模态轨迹输出，并提出了一个三步走的轨迹预测系统，首先利用记忆增强网络预测目标点，其次判断道路节点出边的可达性得到参考轨迹，最后以参考轨迹为条件获得整个预测轨迹。实验结果表明，本文所提出的方法在公开数据集nuScenes 上性能优异，且具有较好的可解释性。未来，将继续挖掘研究应用复杂网络建模交通场景的优势，充分发挥其潜力，进一步提高轨迹预测精度以及可解释性。