用于车辆轨迹预测的交互感知邻车表示

基于摘要分析。该研究面向自动驾驶中的车辆轨迹预测，针对原始运动学特征未显式表达车辆交互结构及相对重要性的问题，提出与预测模型无关的邻车表示框架；主要贡献在输入表示层，而非提出新的轨迹预测骨干。 方法将原始运动学信息抽象为离散的纵向与横向交互状态，并整合为统一的重要性分数，再通过槽位语义加权（slot-semantic weighting）和基于重要性的过滤，按驾驶情境细化邻车表示。摘要未给出交互状态的划分规则、重要性分数计算方式、槽位定义及过滤阈值，其是否需要额外监督或联合训练尚未验证。 作者报告，在真实高速公路驾驶数据集、多个单智能体及多智能体预测模型的评估中，该表示改善了多数受测骨干与指标；在这些评估设置中，ADE 的相对降幅最高为 28.47%，并在嵌入式平台上带来可忽略的前向运行时间开销。摘要未明确该最大降幅对应的数据集、划分、骨干及对照，也未提供平台规格或绝对延迟，因此不能将其理解为所有模型上的统一收益。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可供 EEG 研究参考的是“先构造关系状态，再按重要性筛选”的表示思路，但车辆的纵向、横向状态及邻车槽位依赖道路空间结构，不能直接对应 EEG 通道关系。若探索迁移，需要重新定义通道或脑区间关系与重要性，并检验低信噪比、跨被试差异及小样本下关系估计是否稳定；目前摘要不足以支持具体的 BCI 有效性判断，已有 EEG 相关工作尚未检索确认。