原文传递
结构化道路车辆目的地预测方法研究
| 论文题名： | 结构化道路车辆目的地预测方法研究 |
| 关键词： | 目的地预测;轨迹预测;意图预测;决策森林 |
| 摘要： | 在结构化道路环境中，自动驾驶车辆受周围多车交互的影响，预测其他车辆对于自身的决策规划和导航控制具有十分重要的意义。预测尽可能长时域的交通参与者的行为或轨迹是当前的研究热点和难点。本文提出一种基于动态交互地图和决策森林的多类型结构化道路环境中车辆目的地预测方法。该方法的特色在于以短时域意图及轨迹预测为基础，作为可解释的长时域目的地预测的有效依据，并在开源数据集上进行预测实验，验证提出方法的有效性。 在短时域意图预测中，研究一种显式提取车辆集群交互信息的时序神经网络进行变道意图预测。基于本车和目标车辆的周围五车辆集群显式提取交互信息，补足不同道路情况下的变道意图判断依据，通过由自注意力编码器组成轻量网络端到端预测目标车辆意图。在NGSIM数据集上的实验验证结构化道路交通场景中自注意力编码器的有效性，为轨迹预测的时序理解方法选择提供依据。 在短时域轨迹预测中，研究一种隐式提取交互信息的动态地图的模型。依据动态注意区域判断交通参与者间是否有交互，基于动态地图隐式提取交互信息，然后将目标车辆轨迹信息和动态地图信息依据自注意力机制进行动态注意映射编码。而后通过条件变分自动编码器根据输入和真值的动态注意映射编码进行排序。最终通过自注意力机制进行时序解码获得多模态轨迹。 在长时域目的地预测中，研究一种显式引入短时轨迹预测结果的基于决策森林的后验概率推理方法。基于高精地图获得结构化道路环境中的可能目的地。将车辆状态和车道信息作为输入，将统计概率作为结点权值生成独立决策树。显式引入短时域预测轨迹结果和条件变分自动编码器预测概率，加权修正独立决策树的输出条件概率，获得短时域轨迹中隐藏的目的地信息，推理目的地的后验概率分布。 在inD和rounD数据集上验证提出的轨迹预测方法和目的地推理方法有效性。与其他模型相比，研究的轨迹预测方法在平均位移误差和最终位移误差上平均提高了15%和3%；研究的目的地预测方法通过引入短时轨迹信息在最早期预测准确率上提高了3%。该方法在车辆短期内具有变道或持续转向等可以影响长期目的地的行为时，有效提高了目的地预测的准确率，降低了标准熵。同时通过结点权值验证决策树的可解释性，通过可满足性模理论求解器说明决策森林的可验证性。 |
| 作者： | 隋昕 |
| 专业： | 车辆工程 |
| 导师： | 李琳辉 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
