### 基于 Transformer 的轨迹预测模型架构 基于 Transformer 的轨迹预测模型通常采用序列到序列（Seq2Seq）框架来处理时间序列数据。这种模型的核心组件包括编码器（Encoder）、解码器（Decoder），以及可能存在的注意力机制模块[^1]。 #### 编码器部分 编码器负责接收输入的时间序列数据并将其转换为高维特征表示。对于轨迹预测任务，输入通常是目标对象的历史位置坐标或其他相关属性（如速度、加速度）。这些输入会被映射成嵌入向量并通过多头自注意力机制捕获全局依赖关系[^1]。 ```python import torch.nn as nn class Encoder(nn.Module): def __init__(self, input_dim, hidden_dim, num_heads, num_layers): super(Encoder, self).__init__() encoder_layer = nn.TransformerEncoderLayer(d_model=hidden_dim, nhead=num_heads) self.transformer_encoder = nn.TransformerEncoder(encoder_layer, num_layers=num_layers) def forward(self, src): return self.transformer_encoder(src) ``` #### 解码器部分 解码器的任务是从编码器生成的上下文中逐步构建未来的轨迹点。它同样利用了自注意力机制，并通过交叉注意力连接至编码器输出以获取历史信息的支持[^1]。 ```python class Decoder(nn.Module): def __init__(self, output_dim, hidden_dim, num_heads, num_layers): super(Decoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=hidden_dim, nhead=num_heads) self.transformer_decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.transformer_decoder(tgt, memory) ``` #### 结构图描述 完整的 Transformer-based 轨迹预测模型可以被看作是一个由两大部分组成的网络：左侧是用于提取过去运动模式的 **编码器**；右侧则是用来推测未来路径走向的 **解码器**。两者之间借助注意力建立联系，在训练阶段共同优化损失函数完成端到端学习过程。 以下是该类模型的一个简化版逻辑流程示意： [^1] > 注：由于无法直接展示图像资源，请访问官方文档中的 `Examples` 部分查看具体实现案例与可视化图表[^1]。 --- ###