In order to safely and comfortably navigate in the complex urban traffic, it is necessary to make multi-modal predictions of autonomous vehicles for the next trajectory of various traffic participants, with the continuous movement trend and inertia of the surrounding traffic agents taken into account. At present, most trajectory prediction methods focus on prediction on future behavior of traffic agents but with limited, consideration of the response of traffic agents to the future behavior of the ego-agent. Moreover, it can only predict the trajectory of single-type agents, which make it impossible to learn interaction in a complex environment between traffic agents. In this paper, we proposed a graph-based heterogeneous traffic agents trajectory prediction model LSTGHP, which consists of the following three parts: (1) layered spatio-temporal graph module; (2) ego-agent motion module; (3) trajectory prediction module, which can realize multi-modal prediction of future trajectories of traffic agents with different semantic categories in the scene. To evaluate its performance, we collected trajectory datasets of heterogeneous traffic agents in a time-varying, highly dynamic urban intersection environment, where vehicles, bicycles, and pedestrians interacted with each other in the scene. It can be drawn from experimental results that our model can improve its prediction accuracy while interacting at a close range. Compared with the previous prediction methods, the model has less prediction error in the trajectory prediction of heterogeneous traffic agents.

为了在复杂的城市交通中安全舒适地导航，有必要针对各种交通参与者的下一个轨迹对自动驾驶汽车进行多模式预测，同时要考虑到周围交通代理商的持续移动趋势和惯性。当前，大多数轨迹预测方法集中于对交通代理的未来行为的预测，但是在有限的范围内考虑了交通代理对自我代理的未来行为的响应。而且，它只能预测单一类型代理的轨迹，这使得不可能在复杂的环境中学习流量代理之间的交互。本文提出了一种基于图的异构交通代理轨迹预测模型LSTGHP，该模型由以下三部分组成：（1）分层的时空图模块；（2）自我代理运动模块；（3）轨迹预测模块，可以实现场景中具有不同语义类别的交通代理的未来轨迹的多模态预测。为了评估其性能，我们在时变，高度动态的城市交叉路口环境中收集了异构交通代理的轨迹数据集，在该环境中，车辆，自行车和行人在场景中彼此交互。从实验结果可以看出，我们的模型可以在近距离交互的同时提高其预测精度。与以前的预测方法相比，该模型在异构交通主体的轨迹预测中具有较小的预测误差。可以实现场景中具有不同语义类别的交通代理对未来轨迹的多模式预测。为了评估其性能，我们在时变，高度动态的城市交叉路口环境中收集了异构交通代理的轨迹数据集，在该环境中，车辆，自行车和行人在场景中彼此交互。从实验结果可以看出，我们的模型可以在近距离交互的同时提高其预测精度。与以前的预测方法相比，该模型在异构交通主体的轨迹预测中具有较小的预测误差。可以实现场景中具有不同语义类别的交通代理对未来轨迹的多模式预测。为了评估其性能，我们在时变，高度动态的城市交叉路口环境中收集了异构交通代理的轨迹数据集，在该环境中，车辆，自行车和行人在场景中彼此交互。从实验结果可以看出，我们的模型可以在近距离交互的同时提高其预测精度。与以前的预测方法相比，该模型在异构交通主体的轨迹预测中具有较小的预测误差。高度动态的城市十字路口环境，其中车辆，自行车和行人在场景中彼此交互。从实验结果可以看出，我们的模型可以在近距离交互的同时提高其预测精度。与以前的预测方法相比，该模型在异构交通主体的轨迹预测中具有较小的预测误差。高度动态的城市十字路口环境，其中车辆，自行车和行人在场景中彼此交互。从实验结果可以看出，我们的模型可以在近距离交互的同时提高其预测精度。与以前的预测方法相比，该模型在异构交通主体的轨迹预测中具有较小的预测误差。