详情

原文传递鸟瞰视角车辆轨迹预测方法研究

论文题名：	鸟瞰视角车辆轨迹预测方法研究
关键词：	智能驾驶;轨迹预测;鸟瞰视角;生成对抗网络;长短时记忆网络
摘要：	智能汽车在节约人力成本，提升交通安全性与通行效率等方面具有重大发展潜力，是全球汽车产业升级的战略方向之一。本文研究的鸟瞰视角车辆轨迹预测方法作为车辆决策模块的重要决策依据，为智能驾驶方案研究中重要的一环。现有方法仅依靠真实轨迹点与生成轨迹点间的误差拟合，而未能考虑生成轨迹的置信度信息；同时，由于未将地图信息作为模型输入，使预测方法仅能预测与数据集地图场景相似交通场景下的车辆轨迹，难以保证其鲁棒性。本文以国家重点研发计划子课题“车辆周边多目标行为识别与预测算法研究”项目为主要支撑，开展鸟瞰视角下车辆轨迹预测研究。主要的研究工作如下：　　一、对鸟瞰视角下车辆轨迹预测任务进行建模，包括轨迹离散化建模与机动定义。同时，深入剖析三个数据集NGSIM、HighD及Argoverse各自的优势，并研究不同数据集在模型训练过程中的作用。最后，对数据集的数据处理工作进行相应介绍，并对样本集的生成逻辑进行定义。　　二、提出了一种鸟瞰视角单车轨迹预测方法CAE-GAN，该方法使用了包括卷积社交池、机动预测模块与长短时记忆网络（Long short Memory,LSTM）构建的编码器与LSTM解码器作为模型基础结构，在输入中增加速度、加速度、所处车道信息，并使用一种包括均方误差损失，生成对抗网络(Generative Adversarial Networks,GAN)损失与分类器损失的多损失联合训练方案，分别提高生成轨迹精度、置信度与预测机动匹配率，同时改进了GAN的损失函数。本方法解决了生成轨迹置信度与精度低，及GAN训练不易收敛的问题。在验证集上，CAE-GAN在1-5秒的RMSE精度分别为：0.4317m，1.0690m，1.8287m，2.7744m，3.9556m。相比于其他算法，平均精度提升了14.6%。　　三、提出了一种鸟瞰视角多车轨迹预测方法TiSp-MapAT，该方法使用了基于时空交互模型与地图交互注意力的模型编码器，分别通过建立车辆节点与车道节点构建时空图与车道图，使用时空融合模块与车道信息提取模块完成时空间的特征交互与节点信息传递，同时建立多模态轨迹生成方法预测多条轨迹及各轨迹置信度。该方法解决了现有方法对各交通场景的适配度不足的问题，同时解决了单车预测方法预测效率低的问题。在验证集上，ADE，FDE与MR在K=1时达到了1.68m，3.70m，0.57，在K=5时达到了0.83m，1.32m，0.15，相比于其他算法，平均精度提升了10.8%。　　四、对两套算法进行了相关硬件的部署，并基于ROS设计了轨迹预测系统的相应节点与逻辑。在真实交通场景下进行了算法的测试工作。实验结果表明，本文提出两套方法在实车实验下均能对未来轨迹做出较为优异的预测，能够满足智能驾驶汽车的需求。
作者：	周奇扬
专业：	交通运输工程
导师：	陈龙;蔡英凤
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022