原文传递
基于LSTM--CNN的驾驶员换道意图预测研究
| 论文题名： | 基于LSTM--CNN的驾驶员换道意图预测研究 |
| 关键词： | 换道行为;换道意图预测;NGSIM数据提取;长短期记忆神经网络;卷积神经网络;决策树 |
| 摘要： | 自动驾驶汽车对于减少交通拥堵和交通事故有着重要意义，但相邻车道车辆突然的换道行为对于自动驾驶汽车的行驶安全构成了严重威胁，这就要求自动驾驶汽车具有提前预测周围驾驶员换道意图的能力。因此，本文提出一种基于长短期记忆神经网络(LSTM)和卷积神经网络(CNN)的驾驶员换道意图预测方法，用于对相邻车道车辆驾驶员的换道意图进行预测: 首先，分析了驾驶员产生换道意图的原因和换道决策过程。换道过程中的每个阶段都有可以反映驾驶员换道意图的特征，换道意图产生阶段和换道准备阶段的特征可以更早地反映驾驶员的换道意图，但是这些特征往往不够可靠，换道执行阶段的特征有着很高的可靠性，但使用这些特征预测换道意图的预测范围很小。本文则结合了这两方面特征数据，提出了基于LSTM-CNN的混合结构神经网络驾驶员换道意图预测方法。 其次，本文的数据来源是NGSIM自然车辆行驶轨迹数据集，但是NGSIM数据集中的原始数据存在着错误数据，需要进行处理。本文使用了对称指数平滑滤波器(sEMA)对原始数据进行平滑处理。之后提取车辆的换道轨迹数据，并提取出换道车辆每一时刻周围车辆的行驶轨迹数据，计算出换道车辆和其周围车辆的车速差以及纵向距离数据，这些数据反映了换道车辆周围的交通环境情况。 最后，设计出驾驶员换道意图预测模型的神经网络结构，预测模型由LSTM和一维CNN两部分组成。经过训练，预测模型在换道前3s、2s、1s、0s的预测准确率分别达到了76.77％、85.35％、93.95％、94.44％。和SVM、决策树，以及单独使用LSTM和CNN相比，本文所提出的驾驶员换道意图预测方法在预测准确性上有着明显优势。 论文使用NGSIM数据集，运用深度学习算法，深入研究了驾驶员换道行为和换道行为中驾驶员的决策过程。通过分析换道行为和决策过程选取了换道各阶段可以用于预测驾驶员换道意图的特征，建立了驾驶员换道意图预测模型。论文相关研究对于提高自动驾驶汽车的行驶安全性和乘坐舒适性提供了一定的理论基础。 |
| 作者： | 闫迪 |
| 专业： | 机械工程 |
| 导师： | 高凯 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长沙理工大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
