Dans les systèmes de transport intelligents réels, une panne de l'Internet des objets entraîne une interruption des données, ce qui souligne l'importance de l'algorithme de génération de trajectoire. Les deux méthodes existantes de génération de trajectoire présentent des insuffisances. Les algorithmes basés sur des modèles physiques ne s'adaptent pas aux scènes de trafic dynamiques, tandis que les méthodes basées sur les données tendent à négliger les interactions entre véhicules. Pour des scènes complexes telles que les carrefours, cet article propose une méthode de génération de trajectoire basée sur un modèle de diffusion conditionnelle. Cette méthode introduit une matrice de motifs pour quantifier l'influence des véhicules environnants sur le véhicule cible, utilise un mécanisme d'attention graphique pour identifier avec précision les informations clés des véhicules voisins, et intègre les informations conditionnelles dans le processus de débruitage inverse du modèle de diffusion pour générer les trajectoires des véhicules. Enfin, des expériences de validation ont été menées sur les ensembles de données nuScenes et un ensemble de données de trajectoire construit. Les résultats montrent que la méthode proposée surpasse les modèles principaux actuels sur plusieurs indicateurs de précision et est plus conforme aux lois de la cinématique.

transport intelligent; génération de trajectoire de véhicules; modèle de diffusion conditionnelle