量子科技中心_量科网

自动驾驶的轨迹预测技术必须在严苛的计算资源和延迟限制下，提供精准且校准的多模态未来轨迹预测。该研究团队提出了一种紧凑型混合量子架构，通过采用以自我为中心、与车道对齐的坐标系，并预测相对于运动学基线的残差修正（而非绝对位姿），使量子归纳偏置与道路场景结构相匹配。该模型结合了：受Transformer启发的量子注意力编码器（9个量子比特）、参数精简的量子前馈堆栈（64层，约1200个可训练角度），以及基于傅里叶的浅层纠缠与相位叠加解码器——可单次生成16条轨迹假设，其模态置信度源自潜在频谱。所有电路参数均通过同步扰动随机逼近算法（SPSA）训练，避免了非解析组件的反向传播。在Waymo开放运动数据集中，该模型在2.0秒预测时域内输出的16个模态中，实现了1.94米的最小平均位移误差（minADE）和3.56米的最小终点位移误差（minFDE），始终优于运动学基线模型，同时降低了漏检率并保持高召回率。消融实验证实：车道坐标系残差学习、截断傅里叶解码、浅层纠缠及基于频谱的排序机制能将计算资源集中于关键环节，在现代自动驾驶基准测试中，仅用小型浅层量子电路即可实现稳定优化和可靠的多模态预测。