原文传递
基于路侧激光雷达的高速公路合流区车辆轨迹预测方法研究
| 论文题名： | 基于路侧激光雷达的高速公路合流区车辆轨迹预测方法研究 |
| 关键词： | 合流区;路侧激光雷达;深度学习;轨迹预测;高速公路 |
| 摘要： | 随着汽车保有量的不断增加，复杂的交通环境导致交通压力与日俱增，作为连接各城市间道路通行的关键枢纽，高速公路交通安全不容忽视，而合流区由于其复杂的道路线形结构，已成为高速公路主要事故黑点，提升高速公路合流区行车安全已刻不容缓，轨迹预测技术的出现为高速公路合流区交通安全的智能管控提供了新思路。本文从路侧全局视角出发，基于激光雷达传感器，构建高速公路合流区行车轨迹数据库，搭建面向合流区复杂交互环境的车辆轨迹预测模型，助力高速公路合流区交通态势智能感知与冲突风险精准管控技术的发展，主要研究内容与成果如下: (1)构建基于路侧激光雷达的高速公路合流区车辆轨迹数据库。搭建便携式数据采集平台，选取平行式加速车道合流区作为研究对象，采集平峰高峰两时段道路用户点云数据与车道线GPS数据;基于PointRCNN目标检测与AB3DMOT轨迹追踪算法，构建车辆轨迹数据库;提出一种基于最小二乘法的激光雷达-GPS空间配准方法，获取数据库每辆车辆在当前帧下所在车道信息并作为数据库补充特征。 (2)基于构建的车辆轨迹数据库，从高峰与平峰两时段出发，分析车辆行驶速度与换道特性;划分车辆交织区域，提取交互车辆信息，划分车辆横纵向意图类别(加减速与换道意图)并进行意图提取，将上述信息作为新特征加入车辆轨迹数据库，为后续轨迹预测模型训练提供数据支撑。 (3)构建基于自监督机制的车辆轨迹预测模型。基于行为识别池化(Maneuver-AwarePooling,MAP)模型，依托长短时记忆(LongShort-TermMemory,LSTM)神经网络实现历史轨迹编码与未来轨迹解码预测;提出一种基于卷积神经网络(ConvolutionNeuralNetwork,CNN)的车辆意图预测方法，实现对车辆横纵向意图的预测;提出一种自监督机制分别作用于编码器与编码器,提高模型对自车与交互车辆编码结果关键特征的捕捉能力，扩大解码器对于重要信息的抓取范围，有效解决解码器每帧输入固定不变的问题。 (4)选取四种既有模型与本文所提出模型进行对比，采用均方根误差(RootMeanSquareError,RMSE)指标就模型在整体、左转、右转、直行与合流轨迹五方面的精度进行评估;选取准确率(Accuracy,Acc)指标就模型在横向与纵向两种意图下的准确性进行评估;通过对比三种既有模型加入自监督机制前后的表现性能，评估本文自监督机制的鲁棒性。试验结果表明，本文所提出的模型具有较高的鲁棒性，在轨迹预测与横纵向意图预测两方面误差更小，均具有更高的预测精度。 |
| 作者： | 吕琛 |
| 专业： | 交通运输 |
| 导师： | 吴建清;田源 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
