原文传递
融合变道意图识别的车辆轨迹预测GAN模型研究
| 论文题名： | 融合变道意图识别的车辆轨迹预测GAN模型研究 |
| 关键词： | 车辆轨迹预测;融合变道意图识别;GAN模型 |
| 摘要： | 近年来，人工智能技术及其在交通领域的应用程度已取得长足进步。通过智能算法可以有效地保证行车安全，避免交通事故发生，同时降低能耗，提高乘坐舒适性。车辆轨迹预测是实现安全驾驶的关键技术之一，提前了解驾驶意图可以大大减少变道引起的交通事故。因此，本文提出了一种融合生成对抗网络和驾驶意图识别的车辆轨迹预测模型。具体内容如下： 1.对车辆轨迹预测问题进行定义，提出了基于生成对抗网络的车辆轨迹预测模型CS-GAN。该模型由轨迹生成器和轨迹判别器组成，轨迹生成器由编码-解码器组成，在编码器与解码器之间提出使用卷积社交池化模块学习车辆间的交互，该模块由卷积层和最大池化层组成，能够稳健地学习车辆运动中的相互依赖性。通过在公开数据集NGSIM上与LSTM、S-LSTM和CS-LSTM模型进行对比实验，使用车辆平均位移误差和最终位移误差两种评价指标，验证了CS-GAN模型的有效性和准确性，同时也表明了使用生成对抗网络能够提高车辆轨迹预测的精确度。 2.CS-GAN模型虽然考虑了车辆之间的交互，但是仅停留在车辆之间的时空交互性，缺乏对驾驶员行为分析，本文提出引入基于深度神经网络的驾驶意图识别模块以分析驾驶员的换道意图，并将该模块提取的变道行为特征作为轨迹生成器中解码器的输入。通过与传统的支持向量机SVM模型进行对比实验，实验结果表明基于DNN的模型较支持向量机SVM模型性能更优，准确率达到93.66％，验证了基于DNN的驾驶意图识别模块的准确性和有效性。 3.将CS-GAN轨迹预测模型和驾驶意图识别模块进行融合，提出了一种基于GAN且具有驾驶意图分析的车辆轨迹预测模型CS-DNN-GAN。将CS-DNN-GAN模型与LSTM、S-LSTM、CS-LSTM以及未引入驾驶意图识别的CS-GAN模型进行对比实验，实验结果表明本文提出的CS-DNN-GAN模型的ADE和FDE值最小，证明与其他轨迹预测模型相比，CS-DNN-GAN模型具有较好的预测精确度。 |
| 作者： | 刘茜 |
| 专业： | 软件工程 |
| 导师： | 柳有权 |
| 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
