原文传递
基于机器学习的换道意图识别与换道轨迹预测研究
| 论文题名： | 基于机器学习的换道意图识别与换道轨迹预测研究 |
| 关键词： | 道路交通;车辆轨迹;换道识别;机器学习 |
| 摘要： | 道路交通事故的发生会对车乘人员的生命安全造成严重威胁，大量研究表明，车辆换道是引发交通事故的主要原因之一。目标车辆的换道行为，不仅受到周围车辆行驶情况制约，同样会影响周围车辆的行驶，研究如何提前识别出车辆的换道意图并预测出换道轨迹，将在很大程度上帮助驾驶员提前决策和采取措施，规避可能发生的碰撞风险。 本文以NGSIM轨迹数据集作为研究数据，分析数据采集路段车辆空间、速度分布特征，并对原始数据中影响精度的噪声以小波降噪的方法进行降噪处理，为后文模型的训练与验证奠定基础。然后利用高斯混合隐马尔科夫模型(Gaussian Mixture Model-Hidden Markov Model,GMM-HMM)建立换道意图识别模型，针对模型训练需求，对数据进行提取与重构；考虑轨迹数据中不同特征对换道意图识别的贡献程度，选取横向速度及横向位置作为可观测状态，计算出最能描述可观测状态与换道意图关系的模型参数，并对识别准确性进行验证，分析造成识别延迟的原因。 在换道意图识别的基础上，采用门控循环单元网络(Gated Recurrent Unit Network,GRU)以滑动时间窗的方法建立向左及向右换道轨迹预测模型，通过均方根误差(Root Mean Square Error,RMSE)确定模型最优超参数组合，使用测试数据集对训练效果进行验证，并评价预测结果；最后通过比较分析不同时间窗长度下的预测效果，得到不同时间窗下预测的差异和优缺点。 最后，为体现研究实际应用价值，以小客车换道碰撞风险识别为背景对所构建模型进行实例应用分析。通过换道意图识别确定随机选取的目标车辆换道方向以及换道起始点后，预测其换道轨迹并提取邻近车辆行驶信息，计算车辆间距离，根据换道过程中的车头时距（Time Headway,THW）及横向位置关系判定风险等级。 结果表明：GMM-HMM利用轨迹数据对换道意图识别的准确率和精确率均达90%以上；GRU网络通过学习换道轨迹特征，采用2s时间窗对未来6s的换道轨迹进行预测，在预测终点处向左换道及向右换道轨迹预测平均偏差距离分别为6.05m和4.41m，模型训练速度优于长短期神经网络(Long Short-Term Memory,LSTM)；用以预测的换道历史轨迹越长，预测精度越高；所建立的换道意图识别-换道轨迹预测模型在小客车换道碰撞风险识别应用背景下，可以在换道起始点识别并预测目标车辆与邻近各车辆在换道过程中存在的碰撞风险等级。 |
| 作者： | 江昱山 |
| 专业： | 交通运输工程 |
| 导师： | 沈照庆 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
