原文传递
考虑驾驶员驾驶风格的换道意图识别与轨迹预测方法研究
| 论文题名： | 考虑驾驶员驾驶风格的换道意图识别与轨迹预测方法研究 |
| 关键词： | 驾驶员;驾驶风格;换道意图;轨迹预测;准确识别 |
| 摘要： | 车辆换道是驾驶过程中一种普遍的行为，不当的换道行为可能导致交通事故的发生，不仅影响道路运行效率，还对人们的生命财产安全产生威胁。如何对驾驶员换道意图与车辆换道轨迹进行准确识别以成为交通安全与智能交通领域的热点问题。因此，本文基于车辆轨迹数据进行驾驶员换道意图识别与换道轨迹预测。 首先，本文以UbiquitousTrafficEye数据集作为研究数据，分析原始数据存在的误差与噪声，分别采用LOWESS算法和sEMA算法对纵向与横向数据进行平滑滤波处理。在此基础上，基于车辆航向角提取车辆换道轨迹数据片段，为后续研究提供数据支撑。 接着，基于预处理的换道轨迹数据，通过分析车辆行驶参数提取反映驾驶员的风格特征，进而采用高斯混合模型聚类将驾驶员分为激进型、一般型与谨慎型三类。通过支持向量机模型，以聚类结果作为驾驶员驾驶风格标签值，结果表明基于高斯核函数的支持向量机模型识别结果最优，对三类驾驶风格识别准确率均高于95%。 然后，对车辆换道轨迹与车道保持车辆轨迹进行重构拼接，提出车辆交互区域概念，将周围车辆对目标车辆的影响归结于车辆交互区域重叠面积的函数，与目标车辆行驶参数作为特征参数，建立XGBoost换道意图识别模型。通过对比不同长度换道意图时间窗识别结果，结果表明时间窗长度小于2.5s时预测精确度高于95%。在此基础上考虑驾驶员驾驶风格进行换道意图识别，结果显示换道意图识别精确度得到提升，且在换道意图时间窗为2.5s仍然能够达到96%以上的总体识别精确度。 最后，基于驾驶员换道意图识别结果，本文建立XGBoost-LSTM车辆换道轨迹预测混合模型，通过XGBoost模型输出换道意图识别结果输入LSTM换道轨迹预测模型，与车辆历史轨迹共同作为历史数据预测车辆换道轨迹。通过构建5个不同层数的LSTM网络模型，寻找层数最优网络结构。将驾驶员驾驶风格作为参数加入发现可提高换道轨迹预测准确率，在1.25s为滑动时间窗下预测时长为3s时向右换道轨迹拟合度可提高6.98%，向左换道轨迹拟合度可提高6.21%。此外，由于误差的累计，换道轨迹的预测偏差会随着预测时间逐步增大。 通过本文研究，得出综合考虑驾驶员驾驶风格、驾驶员换道意图与车辆换道轨迹三者关系，可提高意图识别与轨迹预测的准确性，具有现实可行性。 |
| 作者： | 刘元骞 |
| 专业： | 交通运输 |
| 导师： | 秦钟 |
| 授予学位： | 硕士 |
| 授予学位单位： | 广州大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
