原文传递
基于深度学习的自动驾驶汽车周边车辆轨迹预测方法研究
| 论文题名： | 基于深度学习的自动驾驶汽车周边车辆轨迹预测方法研究 |
| 关键词： | 自动驾驶;轨迹预测;数据处理;注意力机制;生成对抗网络;长短时记忆网络 |
| 摘要： | 近年来，随着人工智能的不断发展，自动驾驶技术正在走向成熟与落地。在此背景下，为了提高自动驾驶汽车规避危险和决策安全的能力，需要对其周边车辆的运动轨迹进行预测。然而在现实环境中，交通场景的复杂性以及周边车辆驾驶意图的不确定性，使得自动驾驶汽车周边车辆的轨迹预测成为了一项极具挑战的任务。为此，论文对自动驾驶汽车周边车辆的轨迹预测问题展开研究，具体研究内容如下： (1)针对现有车辆轨迹预测模型难以提取周边车辆交互特征的问题，提出了一种基于双注意力机制和Social GAN的车辆轨迹预测模型。该模型以Social GAN网络为基础，包含生成器和辨别器两部分。在生成器中，引入双注意力机制用于增强目标车辆的轨迹特征和周边车辆的交互特征。使用Social Pooling提取加权后的周边车辆交互特征，将目标车辆轨迹特征和周边车辆交互特征进行组合，得到全局轨迹特征。在驾驶意图预测模块对全局轨迹特征进行编码，并使用Softmax激活函数进行多分类，输出概率最大的驾驶意图。最后将融合驾驶意图的全局轨迹特征解码得到目标车辆可能的未来轨迹。在辨别器中，输入预测的目标车辆轨迹和目标车辆的真实轨迹，计算预测轨迹是真实轨迹的概率，判断其是否为真实轨迹。生成器和辨别器在模型训练中不断学习与优化，最终达到最优状态。实验结果表明，相比于其他经典的车辆轨迹预测模型，该模型预测性能更佳。 (2)针对现有车辆轨迹预测模型不能很好地应对复杂道路环境的问题，提出了一种基于DCS-LSTM的周边车辆轨迹预测模型。该模型以Convolution Social LSTM网络为基础，引入了额外的神经网络来进行在线学习。在线学习网络在模型推理的过程中，将模型的预测结果与预测时域内的观测数据进行比较，计算NLL损失，通过反向传播的方式调整神经网络中节点的权重，优化预测结果，并将优化结果添加到主体网络中，以提高预测精度，使模型达到在线学习目标车辆观测轨迹的效果。实验结果表明，该算法在设置合理的在线学习策略时可以有效提升模型的稳定性和准确性。 (3)在进行车辆轨迹预测的算法研究中，多数研究者仅使用公开的数据集进行测试，缺少在实际道路场景中对算法进行验证。针对这一问题利用路侧设备采集真实道路场景下的车辆轨迹数据，并对论文提出的周边车辆轨迹预测模型进行测试，验证了所提模型在真实场景下的稳定性和有效性。 |
| 作者： | 樊振宇 |
| 专业： | 计算机技术 |
| 导师： | 朱玉全 |
| 授予学位： | 硕士 |
| 授予学位单位： | 江苏大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
