原文传递
结合周围车辆轨迹和高精地图的自动驾驶车辆轨迹预测研究
| 论文题名： | 结合周围车辆轨迹和高精地图的自动驾驶车辆轨迹预测研究 |
| 关键词： | 自动驾驶车辆;轨迹预测;周围车辆轨迹;高精地图 |
| 摘要： | 车辆轨迹预测是自动驾驶技术中承上启下的模块，通过收集感知模块的信息预测车辆的未来轨迹，为自动驾驶车辆躲避环境中的障碍物提供重要保障。但由于路网状况复杂、行驶环境不确定、环境中的障碍物种类繁多等问题，导致车辆预测轨迹和实际轨迹之间存在很大的偏差。因此，如何克服上述问题对轨迹预测的影响，提高汽车行驶轨迹预测的准确性、时效性是自动驾驶中急需解决的问题。本文研究内容如下： （1）对车辆轨迹数据和高精地图数据预处理。根据轨迹数据的特点，将原始轨迹数据表示为起始时刻的位移，再进行数据增强和归一化。对轨迹数据的预处理，能减少原始数据中的误差，有助于模型提取特征，提高训练效率。针对地图数据栅格化，无法有效表示车道的几何形状和拓扑属性，将高清度地图数据构建为包含车道拓扑关系的车道图，有助于提取更多车道特征，提高预测准确性。 （2）提出了一种基于注意力机制和SGAN的自动驾驶车辆轨迹预测模型SGANA。SGAN模型预测自动驾驶车辆轨迹时，只提取出了最大的周围车辆影响，忽略了其他周围车辆轨迹的影响。基于此，加入注意力模块提取周围车辆影响。注意力模块分为社会注意力模块和历史注意力模块。社会注意力模块计算自动驾驶车辆轨迹特征与所有周围车辆轨迹特征的相关性，使轨迹预测能够充分考虑周围车辆的影响。历史注意力模块计算预测的每一时刻轨迹特征与历史轨迹特征的相关性，使预测的每一时刻都能使用与当前时刻最相关的历史信息。将两个模块的特征融合，用以辅助生成对抗网络生成符合驾驶行为的预测轨迹。在与基线模型对比时，本章提出的模型的平均位移误差降低了4.2％，最终位移误差降低了3.6％，未命中率降低了15.7％。 （3）提出了结合高精地图信息的生成对抗网络模型SGANAM。SGANA模型进行轨迹预测时，没有考虑到高精地图信息对车辆轨迹预测的影响。基于此，将高精地图中的车道中心节点构建为车道图，通过图卷积神经网络提取出车道特征，并使用车道注意力模块计算各车道节点的对自动驾驶车辆行驶轨迹的重要性。融合车辆间的社会特征和车道特征，用以辅助生成对抗网络符合社会规范和驾驶场景的预测轨迹。在与SGANA对比时，本章提出的模型的平均位移误差降低了5.0％，最终位移误差降低了3.3％。与基线模型对比时，未命中率降低了13.7％。 |
| 作者： | 王益 |
| 专业： | 计算机科学与技术 |
| 导师： | 王家伟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
