盖世汽车讯 准确预测车辆未来运动是自动驾驶系统面临的一项关键挑战，它既需要精确性，也需要计算效率。据外媒报道，迪肯大学（Deakin University）的Navneet Singh和Shiva Raj Pokhrel提出了一种利用道路场景固有结构的新型预测方法来应对这一需求。他们的团队开发了一种紧凑的模型，该模型预测的是车辆运动与预期运动的细微偏差，而非绝对位置，并且该模型在一个车道对齐的框架内运行。

图片来源：ArXiv: https://arxiv.org/abs/2511.17675

这一创新系统利用独特的量子启发式技术组合，在标准基准测试中取得了最先进的性能，在两秒的时间范围内显著提高了车辆轨迹预测的准确性和可靠性，这标志着在更安全、更高效的自主导航方面迈出了重要一步。

预测自动驾驶车辆轨迹

本研究旨在解决预测复杂环境中车辆及其他智能体未来运动的关键挑战，这是安全可靠自动驾驶的根本要求。精确的轨迹预测对于自动驾驶车辆规划行驶路线、避免碰撞以及应对复杂场景至关重要。现有方法在建模复杂交互、进行长期预测、处理不确定性以及实现实时性能方面存在局限性。研究人员正在探索量子机器学习（QML）的潜力，以克服这些局限性，从而更高效地表示复杂数据、加速计算并提升模型容量。这项工作表明，QML有望提高轨迹预测系统的准确性、鲁棒性和泛化能力，为更安全、更高效的自动驾驶车辆铺平道路。除了自动驾驶之外，这项研究还对机器人、物流、人体运动预测乃至基因组数据分析等领域具有重要意义，展现了QML技术在序列预测问题中的广泛应用前景。

量子车辆轨迹预测技术展示

研究人员率先提出了一种用于自动驾驶的轨迹预测新方法，该方法采用了一种紧凑的混合量子-经典架构，旨在严格的计算约束下实现精确预测。研究团队将车道对齐残差预测问题建模为量子序列建模问题，构建了一个低深度混合量子神经网络（QNN），该网络基于周围车辆的九维状态历史进行运算。与经典基线的严格比较表明，该方法在精度和校准方面均有所提升。该方法首先对Waymo Open Motion数据集进行广泛的数据预处理，该数据集包含约10万个驾驶场景。

该团队提取了车辆轨迹和高清地图数据，并根据自动驾驶车辆的历史运动和地图上下文预测其未来轨迹。关键步骤是将每个场景转换到以车辆为中心的、车道对齐的坐标系中，将车辆定位在原点，并将x轴与当地道路方向对齐。该方法的核心在于量子编码器，它将车辆的运动历史压缩成紧凑的表示。该编码器使用九个量子比特实现了一种类似注意力机制的方法，通过单量子比特旋转注入经典数据。最终的系统能够在有限的计算资源下提供经过校准的多假设输出，满足了自动驾驶应用中的关键需求。

面向自动驾驶的量子轨迹预测

本文提出了一种新型的自动驾驶轨迹预测系统，在严格的计算限制下实现了高精度和校准后的多模态预测。该系统基于紧凑的混合架构，利用了一个9量子比特的量子电路，旨在与道路场景的固有结构相匹配。在Waymo Open Motion数据集上的实验表明，在预测2公里范围内的轨迹时，平均位移误差为1.94米，最终位移误差为3.56米。

该系统在0秒时域内持续优于运动学基线模型。它以自我为中心、车道对齐的坐标系预测轨迹残差，有效压缩输出范围并消除刚体运动的影响。截断傅里叶解码器单次运行即可生成16个轨迹假设，其模式置信度源自潜在频谱。训练采用同步扰动随机逼近（SPSA）算法，避免了通过非解析组件进行反向传播。详细分析表明，验证损失与训练损失紧密相关，表明模型具有良好的泛化能力且未出现过拟合，并且浅层电路能够实现稳定的优化和可预测的收敛。细粒度学习信号显示，在100个epoch内，原始损失和平滑损失均呈现稳定改善，这与SPSA算法的重置时间点相吻合。该性能归功于系统倾向于平滑的、符合车道线的调整，这得益于截断傅里叶基，并表明自动驾驶车辆在准确可靠的轨迹预测方面取得了重大进展。

用于轨迹预测的紧凑型量子架构

本研究提出了一种紧凑型混合量子架构，专为短时域轨迹预测而设计，这是自动驾驶系统的关键组成部分。该模型专注于在以自我为中心、车道对齐的框架内预测残差修正，从而高效地集中于米级调整而非完整的轨迹预测。研究团队成功地将受Transformer启发的量子注意力编码器、参数精简的前馈网络和基于傅里叶变换的解码器集成到一个9量子比特的流水线中，该流水线能够在一次迭代中生成16个轨迹假设。在Waymo Open Motion数据集的代表性子集上的评估表明，该模型能够实现米级平均位移误差和最终位移误差，并始终优于强大的运动学基线模型。

此外，该系统展现出稳定的漏报率和优异的精确率-召回率特性，表明其具有可靠的多模态预测能力。研究人员强调，基于频谱的排序方法有效地捕捉了表征空间，使模型能够识别出合理的未来轨迹。即使存在不可微分量，使用同步扰动随机逼近（SPSA）方法进行训练仍然保持稳定，这证明了针对此应用优化浅层、少量子比特电路的可行性。尽管该研究承认存在一些局限性，例如依赖经典模拟、单车模型以及预测范围较短，但未来的工作旨在将该架构部署到近期量子硬件上，整合更丰富的上下文信息，并探索更具表现力的量子解码器。除了自动驾驶领域，研究人员还指出，本文开发的残差、物理形状模型和基于相位的多模态技术也适用于机器人、物流和人体运动预测等领域的其他资源受限的序列预测问题。