详情

原文传递面向车路协同感知的车辆重识别与轨迹预测方法研究

论文题名：	面向车路协同感知的车辆重识别与轨迹预测方法研究
关键词：	智能车;车路协同;车辆重识别;轨迹预测;深度学习
摘要：	随着社会经济的快速发展和人民生活水平的日益提高，汽车的保有量大幅增长，由此带来的交通安全问题日益突出。由于在缓解交通拥堵、减少交通事故等方面的巨大潜力，车路协同技术受到广泛关注和深入研究。然而，由于车载传感器的物理特性的限制，智能车对道路环境的感知能力易受障碍物遮挡、视野范围等外部因素的影响。为了解决上述问题，车路协同技术应运而生。通过车车或车路间通信，智能车可以从路侧单元或相邻的其他智能车接收对方的感知结果，并与自身传感器的感知结果进行融合，从而有效弥补自身感知能力的不足。车路协同是一个复杂的系统，车辆重识别和车辆轨迹预测是其中的两个重要研究内容。基于此，本文在车辆重识别和车辆轨迹预测两个方向进行了系统性的研究，分别提出了一种基于深度学习的车辆重识别与车辆轨迹预测方法，所做的主要研究工作有：　　（1）对相关研究进行了文献调研，分析了车辆重识别方向和车辆轨迹预测方向面临的关键问题。根据所做调研，车辆重识别问题的主要难点在于由观测视角的不同导致车辆图像变化的问题；车辆轨迹预测问题的主要难点在于车辆运动易受周边其它车路的影响，导致长时车辆轨迹预测精度较低。文献调研为后续研究车辆重识别和车辆轨迹预测提供了指导性思路。　　（2）针对车辆重识别中遇到的视角变化问题，提出将图像中的车辆分为若干个组件，在计算两张图像中车辆的相似度时，分别比较两张图像中的相同组件的特征，以缓解视角变化所造成的类内差异大问题；再利用注意力机制，对各组件的重要性进行动态加权，使网络学习到具有辨识性的特征，从而解决视角变化带来的类间相似问题。最后，根据两张图像中车辆各组件所占的面积与各组件自身所包含的特征，分别生成不同的注意力权重，再将这两种注意力权重进行融合，以进一步提升注意力机制的表达能力。　　（3）为有效刻画车辆间的动态时空交互，提出一种基于图的车辆轨迹时空特征编码方法，建立车辆轨迹的时空图，将交通场景中的车辆表示为图中的节点，车辆间的相互影响用节点间的边描述，应用注意力机制融合不同节点的信息。为提高长时车辆轨迹预测的精度，提出一种使用驾驶意图的车辆轨迹预测方法。基于编码器-解码器框架，首先将目标车辆的轨迹与其相邻车辆的轨迹输入上述时空特征编码器中进行编码，然后利用编码后的特征预测目标车辆的驾驶意图，并将其嵌入解码器的输入中，最后利用解码器得到目标车辆在未来数秒内的预测轨迹。　　（4）对提出的车辆重识别与车辆轨迹预测方法进行了大量实验验证。在车辆重识别数据集VeRi上的实验结果表明，在同时使用两种注意力机制并进行融合时，精度达到80.5%，首位命中率达到96.3%，证明了所提出方法及注意力融合机制的有效性。在轨迹预测数据集highD上的实验结果表明，所提出的车辆轨迹预测方法在第1秒的预测均方根误差达到0.04米，第5秒的预测均方根误差达到1.15米，低于大多数现有方法的误差。本文提出的车辆重识别与车辆轨迹预测方法在车路协同中具有广泛的应用前景。
作者：	胡煜
专业：	交通运输工程
导师：	陈小波
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022