原文传递
基于GRU-ATT的车辆驾驶意图识别与轨迹预测
| 论文题名： | 基于GRU-ATT的车辆驾驶意图识别与轨迹预测 |
| 关键词： | 自动驾驶系统;驾驶意图识别;轨迹预测;门控循环单元;注意力机制 |
| 摘要： | 道路事故严重威胁着人们的生命和财产安全，研究表明，人是导致道路事故的最重要的因素，为了尽可能地减少人的因素的影响，尽可能地减少交通事故的发生，发展自动驾驶是一种有效的途径。自动驾驶经过多年的发展，目前已经取得了一些进展，但是道路环境复杂多样，自动驾驶车辆需要对环境具有较强的感知能力，能够对周围交通车辆的驾驶意图和未来轨迹进行较为准确的预测，才能保证驾驶的安全。考虑到深度学习技术的高效性，本文运用门控循环单元（GRU）和注意力机制（Attention Mechanism）设计了一种基于的GRU-ATT的车辆驾驶意图识别与轨迹预测模型，本文的主要内容如下： 首先，考虑到传统栅格化地图的局限性，本文将高精度地图构建为车道节点图，这种表示方法既保留了车道的具体形状，同时保留了车道与交通参与者之间的交互关系，减少了数据信息的损失，将节点定义为车道中心线，同时设置后继边和临近边以保证节点之间的连接性，同时为了保证节点的精确率，本文将节点分为若干个姿态，节点分辨率为20米，姿态分辨率为1米。车道节点图的构建为车辆驾驶意图识别与轨迹预测奠定基础。 其次，考虑到驾驶员在行驶的过程中会根据道路交通环境来进行直行、转向和换道，本文通过驾驶意图识别模块来预测车辆在未来五秒内的直行、转向和换道的概率，从而对车辆的驾驶行为做出准确的辨识，为之后的车辆轨迹预测提供保障。试验结果表明，意图识别模块的整体准确率达到85%以上。 最后，结合驾驶意图识别模块，针对车辆运动的时空轨迹特点，本文提出完整的基于GRU-ATT的车辆驾驶意图识别与轨迹预测模型，利用已获取的特征信息生成车辆未来的运动轨迹。考虑到预测轨迹的多模态性，本文引入潜在变量z对线路预测轨迹进行调节，从而使得输出的结果为一组轨迹。实验在自动驾驶数据集上进行训练，训练结果表明，GRU-ATT模型能够取得较好的预测效果。 |
| 作者： | 武林 |
| 专业： | 交通运输 |
| 导师： | 李鑫 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国矿业大学(江苏) |
| 学位年度： | 2022 |
检索历史
应用推荐
