详情

原文传递交互场景下的车辆轨迹预测研究

论文题名：	交互场景下的车辆轨迹预测研究
关键词：	无人驾驶;轨迹预测;交互建模;模型融合;传感器
摘要：	随着雷达、摄像头等传感器以及各类感知算法的不断发展，使得在实际环境中部署无人驾驶技术成为可能。无人驾驶的初衷是为了便利人类出行，而更重要的一点是减少人为造成的交通事故，因此安全性是一辆无人驾驶汽车首要考虑的问题。为了能够对潜在的风险及时做出评估及决策，无人驾驶汽车不仅需要实时的检测周围的环境，还需要预测周围环境的变化，包括车辆和行人。这就需要轨迹预测技术，而行人轨迹预测技术目前的研究已经较为成熟，本文将重点针对交互场景下的车辆轨迹预测展开研究，旨在为无人驾驶汽车的决策提供精确的先验信息。在实际的驾驶场景中，车辆的行驶往往受到多方面的限制，包括周围车辆、车道范围以及交通信号灯等，因此如何处理复杂场景下的环境信息成为一大难点。为解决上述问题，本文将从三个方面展开研究：　　(1)研究基于LSTM的轨迹预测算法。在预测车辆轨迹时，待预测车辆的历史轨迹是最为重要且直观的观测信息，在处理类似的序列问题上，LSTM能够很好地提取其时序特征。而在此基础上，如何引入车辆间的交互信息是一难点。这里将行人轨迹预测模型Social-GAN迁移到车辆轨迹预测问题上，同时提出了各种改进的数据增强算法、交互建模方法，并且在公开数据集上进行验证。　　(2)研究基于图片编码的轨迹预测算法。由于LSTM算法无法提取环境中的空间信息，因此考虑使用卷积神经网络，这就要求将环境信息编码为三维的张量。本文在INTERACTION数据集基础上，实现了有效信息的图片编码，包含了轨迹、车道各类信息，为模型在复杂场景下的预测提供了有力的输入信息。此外，提出使用一簇先验轨迹集合来提高预测精度，模型只需要预测先验轨迹与真实轨迹的偏移量即可。　　(3)研究新的模型融合方法。首先针对上述两个模型的实验结果进行分析，根据实验结果创造性地提出了基于分类器地模型融合策略，在分类器判断LSTM模型适合当前场景时输出LSTM模型预测结果；否则，使用CNN模型进行预测。经过实验验证，融合模型能够明显提升预测精度。
作者：	贾晓港
专业：	控制工程
导师：	杨宪强
授予学位：	硕士
授予学位单位：	哈尔滨工业大学
学位年度：	2021