原文传递
基于Transformer的车辆轨迹预测及变道意图识别方法研究
| 论文题名： | 基于Transformer的车辆轨迹预测及变道意图识别方法研究 |
| 关键词： | 车辆轨迹预测;自动驾驶;换道意图识别 |
| 摘要： | 随着自动驾驶技术的发展，车辆轨迹预测和变道意图识别成为了自动驾驶系统中的重要问题。这些任务需要对车辆轨迹进行建模和预测，并对车辆的行为和意图进行分析和判断。车辆变道可能增加交通事故风险，因此自动驾驶技术需要通过识别车辆的变道意图和预测未来轨迹，计算周边车辆的安全距离来降低风险并减少变道次数。因此，开发准确的轨迹预测模型对提高变道行为安全性至关重要。目前，深度学习技术已经成为处理车辆轨迹和变道意图的主要方法，已经有很多深度学习方法基于NGSIM、Argoverse车辆轨迹数据集进行车辆轨迹的预测与换道意图的识别。 本文改进了Transformer模型，在Argoverse数据集、NGSIM数据集上分别设计了新的模型结构，可以分别完成预测车辆行驶轨迹和车辆换道意图识别任务。在车辆行驶轨迹预测任务中，本文在Argoverse数据集上使用最小平均位移误差（minADE）、最小终点位移误差（minFDE）、错过率（MR）等指标与多种轨迹预测方法进行了比较与评估，结果显示本文基于Transformer改进的模型在轨迹预测任务上具有更高的准确性。除此之外，本文还在Transformer模型基础上进行改进，使其能够完成车辆换道意图识别任务。同时本文与不同隐藏层数的LSTM网络进行了对比实验，结果表明在准确率与召回率指标上，本文基于Transformer的车辆换道意图识别模型更加优秀。 本文的实验结果表明，本文所使用的改进的Transformer模型能够有效地预测车辆的行驶轨迹和识别变道意图，并且具有较高的准确率，相比于LSTM模型具有速度快、准确率高的优点，可以为未来自动驾驶系统的落地实现提供强有力的支持。 |
| 作者： | 都业铭 |
| 专业： | 车辆工程 |
| 导师： | 王鹏宇 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
