动态场景交互推理框架：预测多车交互下的变道意图与轨迹

在高级驾驶辅助系统与自动驾驶车辆的安全规划中，准确预测周围交通场景的演变至关重要。现有方法多聚焦于单一目标车辆，而多智能体预测往往仅通过未来位置描述场景演化，对具体驾驶行为的显式信息提供有限。为此，一项新研究提出动态场景图注意力框架（DSiGAT），旨在对局部交通场景中所有相关车辆同步进行变道意图与轨迹预测。该框架将场景表示为随时间变化的交互图：车辆作为节点，其空间与运动学关系通过显式的边特征编码。时序图注意力消息传递机制捕捉车辆间动态依赖与预操纵线索，意图引导的解码器则将预测的驾驶行为与对应未来运动关联。此外，场景级一致性目标进一步促进多车辆未来状态的相容性。在NGSIM I-80、NGSIM US-101及highD数据集上的实验显示，该方法在意图预测准确率上分别达到90.12%与90.97%，轨迹预测均方根误差较最强基线降低达52.94%，同时产生更低的车辆间碰撞率与联合位移误差，表明其能生成更连贯的场景级预测。消融、敏感性、鲁棒性及定性分析进一步验证了所提组件的贡献与场景聚焦框架的有效性。