原文传递
基于自然驾驶的换道意图识别及轨迹预测研究
| 论文题名： | 基于自然驾驶的换道意图识别及轨迹预测研究 |
| 关键词： | 换道意图识别;轨迹预测;自然驾驶 |
| 摘要： | 车辆在高速公路行驶过程中速度较高，各类驾驶操作所需距离较长，换道行为对周围车辆的影响较大，容易导致交通事故的发生。提前识别周围车辆的行驶意图，有助于提升交通安全性和自动驾驶技术。因此，本文基于自然驾驶轨迹数据对车辆换道意图和换道轨迹进行预测，主要研究内容包括以下方面： （1）通过无人机实地采集高速公路合流区自然驾驶轨迹数据，利用Tracker软件提取轨迹的时间、位置等信息，进而计算速度、加速度等指标，基于Grubbs检验进行轨迹数据筛选后累计获得自然驾驶轨迹1482条。基于Python提取符合标准的跟驰和换道轨迹片段，共获得跟驰片段420条，换道片段298条。 （2）基于自然驾驶轨迹分析驾驶风格，计算各轨迹的速度、加速度和变加速度等统计指标，对比K-means++和谱聚类效果，选择效果更优的K-means++聚类将驾驶风格划分为保守型、普通型和激进型三类，三类驾驶风格的特征分布有明显区别。建立随机森林、逻辑回归和SVM模型对驾驶风格进行识别，三个模型的识别准确率均在85%以上，其中随机森林预测精度最高为93%，能够较好的识别驾驶风格。 （3）筛选出的车道保持、向左换道和向右换道三类样本比例并不均衡，采用K-means++和SMOTE相结合的方法将样本比例修正为2:1:1。提取能够表征车辆换道意图的特征，基于XGBoost、LightGBM和两者的Stacking融合模型构建是否考虑驾驶风格的两类换道意图识别模型。结果表明最优换道时窗为2s；考虑驾驶风格的模型综合表现更好，在换道开始时刻点前2.2s时仍能保证75%以上的识别准确率；三个模型均能准确识别车辆换道意图，Stacking融合模型的准确率最高，LightGBM模型运行速度最快。 （4）结合CNN和LSTM构建6个参数不同的CNN-LSTM模型，对具有换道意图的车辆进行轨迹单步预测和多步预测，确定每类模型的最优网络结构。单步预测由于预测时间较短，因此误差极小。多步预测由于误差的累积效应，预测轨迹的误差随着预测时长的增加不断增加，多步预测下最佳时间窗为1s。对比是否考虑驾驶风格信息的两类模型，结果显示CNN-LSTM模型能够对换道轨迹做出准确预测，考虑驾驶风格信息能够降低轨迹预测误差，在预测时长为4s时，x、y方向上的预测精度分别提升了11.91%和15.97%；在预测时长为6s时，x、y方向上的精度分别提升了9.18%和9.36%。 |
| 作者： | 郝艳军 |
| 专业： | 交通运输工程 |
| 导师： | 徐婷 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
