一、概念
1、GNN是处理图结构数据的深度学习模型，核心是通过图卷积、注意力机制等操作，让节点学习自身与邻居的关联信息，最终输出节点 / 图的特征或预测结果
2、传统深度学习（CNN、RNN）擅长处理网格数据（如图片）、序列数据（如文本）
3、GNN 专门解决 “图” 这种非结构化数据（节点、边）
4、GNN变体
a.GCN（图卷积网络）：适合捕捉固定拓扑的局部交互（如编队行驶中固定间距的车辆）
b.GAT（图注意力网络）：通过注意力权重聚焦关键交互（如近距离车辆、路口冲突车辆），适配复杂路况
c.TGNN（时序图神经网络）：融入时间维度，捕捉车辆运动惯性（如前一时刻速度对当前轨迹的影响）
二、工作原理
1、信息聚合：将邻居节点的特征，通过加权求和、均值等方式聚合到当前节点（如 GCN 的局部卷积、GAT 的注意力加权）
2、特征更新：用聚合后的信息，结合自身原始特征，通过神经网络层更新当前节点的特征
3、迭代传播：重复聚合 - 更新步骤（多轮），让节点逐步捕捉更远距离的全局关联（如车辆不仅考虑前车，还能间接考虑前车的前车）
三、应用场景（多车轨迹规划）
1、GNN是解决多车轨迹规划的热门方向，核心是用图结构建模车辆间、车辆与环境的关联，通过端到端学习直接输出可行轨迹
2、GNN 能高效捕捉多车动态依赖和环境拓扑，适配大规模、动态场景，是平衡精度与实时性的优选方案
四、步骤：
1、构建图结构：
节点：车辆节点（属性：位置、速度、加速度、目标点）、环境节点（属性：障碍物位置 / 大小、道路边界、限速值）
边：车辆 - 车辆边（权重：距离倒数、相对速度）、车辆 - 环境边（权重：车辆到障碍物 / 道路边界的距离）
动态更新图：每帧（如 100ms）根据车辆运动、环境变化重新构建图，捕捉实时交互
2、目标函数与损失设计：
核心损失：轨迹预测误差（预测位置与真实位置的欧氏距离）、碰撞惩罚（车辆间 / 与障碍物距离小于阈值时触发大额损失）
约束损失：轨迹平滑损失（相邻时刻速度 / 加速度变化率）、效率损失（行驶时间 / 距离偏离最优值）
约束融入：通过损失函数惩罚违反约束的行为（如超最大速度时加罚），无需显式求解约束方程
3、常用 GNN 架构选型：
基础架构：GCN（图卷积网络）用于捕捉局部交互（如邻近车辆），GAT（图注意力网络）通过注意力权重突出关键交互（如前车、侧方近距离车辆）
进阶架构：TGNN（时序图神经网络）：融入 LSTM/Transformer 模块，捕捉轨迹的时间依赖性（如车辆运动惯性），Hetero-GNN（异构图神经网络）：区分车辆、障碍物、道路等不同类型节点，针对性建模交互规则
输出层：预测未来 T 步（如 3 秒内）的位置 / 速度序列，直接作为车辆的行驶轨迹
五、优缺点：
1、优点：
处理大规模多车（>20 车）时速度快，实时性优于传统优化算法
能学习复杂场景下的协同策略（如拥堵时的跟车、避让）
2、缺点
训练数据需求高：需海量多车交互场景数据（正常行驶、避障、路口通行等），否则泛化能力差
安全性保障：需加入约束损失和后处理模块（如轨迹校验），避免模型输出碰撞轨迹
可解释性弱：端到端输出轨迹，需额外设计可视化工具分析决策逻辑（如注意力权重热力图）