原文传递
基于改进Transformer模型的车辆轨迹预测研究
| 论文题名： | 基于改进Transformer模型的车辆轨迹预测研究 |
| 关键词： | 车辆轨迹预测;Transformer模型;注意力机制;多目标交互;多模态预测 |
| 摘要： | 为了在复杂的道路交通场景中安全高效地行驶，自动驾驶汽车需要具备自主决策的能力，比如决定何时变道、超车，或者通过减速的方式允许其他车辆合并到同一车道，故自动驾驶汽车需要合理推断周围智能体的未来运动。因此，道路交通场景下的车辆轨迹预测工作有着重要的研究意义，所预测的结果可用于车辆路径选择、安全自主导航、交通预测和拥堵管理。本文以Transformer模型为基础，研究该模型在车辆轨迹预测领域的应用。本文的研究内容及成果如下： （1）首先从轨迹序列建模、多智能体交互、多模态轨迹三个技术难点出发，对现有轨迹预测模型及方法进行了全面的调研。经典轨迹预测方法大都是基于行人数据集，尤其在轨迹序列建模方面，基于Transformer模型的轨迹预测方法未在交通场景数据集验证模型的有效性。因此本文选用涵盖交通流的NGSIM数据集和INTERACTION数据集进行预处理，以Transformer模型为基础结构进行实验，验证其应用于车辆轨迹预测的可行性。 （2）提出了一种结合通道注意力机制和Transformer模型的车辆轨迹预测方法。本文加入通道注意力机制的方法建模车辆间交互影响，以Transformer模型为基础建模结构，依据Transformer模型捕捉长时间序列依赖性的能力以及易处理输入数据缺失情况的优点，利用多车辆的历史轨迹数据，预测隐式交互影响下多车辆未来时刻的位置信息。在NGSIM数据集和INTERACTION数据集的实验结果表明Transformer模型适用于复杂道路交通场景下的车辆轨迹预测，加入通道注意力机制的交互建模方法也使模型预测效果进一步提升。 （3）为实现多模态轨迹预测，本文结合条件变分自编码器（ConditionalVariationalAutoEncoder，CVAE）改进Transformer模型解码器结构。区别于生成全部未来轨迹序列的多模态轨迹预测方法，选用CVAE仅学习目标终点的潜在分布，并联系历史轨迹以及未来终点位置的上下文信息推理出剩余轨迹序列的分布，解决了误差累积导致的终点偏差大的问题。更多地关注群体车辆之间的双向交互建模，结合自注意力机制与多头注意力机制学习不同车辆之间的行为表征，学习道路场景中密集车辆的复杂交互行为。通过逆强化学习方法学习多模态模型的评价方式，以数据真值作为教学示例，利用神经网络学习奖励函数，提供多模态模型的自主决策方法。实验过程分析了不同经典模型在交通道路数据集的统一表现，结果表明本文模型在NGSIM数据集和INTERACTION数据集的评价指标优于现有方法。 整体而言，本文基于Transformer模型进行道路交通场景下的车辆轨迹预测研究，改进模型结构，优化评价方式，有效地提升了轨迹预测的效果。 |
| 作者： | 赵靖文 |
| 专业： | 仪器科学与技术;精密仪器及机械 |
| 导师： | 张为公 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
