详情

原文传递差异性信息条件下智能车辆深度学习轨迹预测研究

论文题名：	差异性信息条件下智能车辆深度学习轨迹预测研究
关键词：	智能车辆;轨迹预测;深度学习;差异性信息条件
摘要：	智能车辆(AutomatedVehicles,AVs)的发展有助于提升行驶安全性以及通行效率，其相关研究在近些年受到了广泛关注。其中，车辆轨迹预测是智能车辆的重要研究内容，用以推断周围交通参与车辆的未来轨迹，有助于提前预知潜在行车风险，提升车辆智能化等级。车辆轨迹预测经十数年的发展已具备完整的体系结构，但实际交通场景复杂多变，车载-路侧(Vehicle-to-Infrastructure,V2I)通信设备存在信号中断或丢失的情况，导致车辆轨迹预测面临完备路侧信息、部分缺失路侧信息以及无路侧网联信息的差异性输入条件，对车辆轨迹预测提出了新的挑战，主要体现在以下方面：　　(1)轨迹预测依赖智能车辆的高精度实时定位，以全球定位系统(GlobalPositioningSystem,GPS)为代表的卫星定位信号易受干扰或屏蔽，造成智能车辆定位信息的间歇性缺失；　　(2)车辆行驶过程中与其他交通参与车辆间实时动态交互，完备路侧信息提供的历史状态在推断车辆未来轨迹的过程中缺乏交互的描述，且不同历史时刻轨迹对于预测结果的差异性影响难以体现，导致预测精度受损；　　(3)交通语义的辅助可以显著提升轨迹预测精度，但车路通讯信号的中断或丢失将导致轨迹预测面临部分信息缺失的非完备信息条件，出现违反交通约束的非合理预测结果；　　(4)当前路侧感知与车联网系统尚未普及至覆盖所有行车区域，利用车载智能传感进行车辆轨迹预测需要识别周围车辆并关联其行驶轨迹，以传统串行结构执行多项任务时面临计算资源冲突的问题。　　围绕上述问题，本文针对车辆主动定位、完备路侧信息条件下的车辆轨迹预测、路侧信息缺失条件下的车辆轨迹预测以及车载智能感知条件下的车辆轨迹预测四个方面展开研究。　　首先，针对位姿信号间歇遮挡或屏蔽导致轨迹预测定位失准的问题，提出了面向轨迹预测的车辆主动定位方法。基于非线性优化理论设计了紧耦合框架下激光雷达-惯性数据的信息融合策略，建立了双模信息时间同步的预积分模型，实时估计车辆位姿状态并建立面向行驶场景感知的一致性全局地图；提出了多分辨率点云直方图模式下的回环检测方法，识别车辆行驶过程中途经的重复区域，利用历史状态校正车辆累积的观测和计算误差，提升定位精度；　　其次，针对完备路侧信息条件下车间动态交互描述不足导致预测精度受损的问题，提出了主车运动趋势耦合的时空注意力车辆轨迹预测方法。建立了以车辆历史轨迹为输入的特征编码-解码架构，考虑主车运动趋势与其他交通参与车辆间的动态交互影响，设计了量化描述车辆间轨迹竞争关系的空间注意力机制，同步考虑不同时刻历史轨迹对预测结果的差异性影响，设计了时间注意力机制描述历史信息的不同贡献程度，增强关键节点对预测结果的主导性，提升轨迹预测的准确性与合理性；　　再次，针对路侧信息部分缺失条件下轨迹预测结果无法满足交通规则约束的问题，提出了图注意力机制下节点特征融合的增补式轨迹预测方法。建立了交通语义的结构化图模型并聚合图节点特征以实现全局信息共享，设计了基于Transformer的交通态势描述方法表征预测结果对于交通流密度的响应，引入潜在变量以增强轨迹预测对于突变行驶意图的表达能力，构建了面向车-图双模信息融合的图查询模型，紧密结合交通语义信息与车辆运动特征编码，保证部分道路信息缺失时轨迹预测仍然有效且预测结果符合交通约束；　　最后，针对车载智能感知信息条件下车辆检测、跟踪及轨迹预测串行结构中计算资源冲突和模块间误差传递的问题，提出了多任务并行一体化的主动式轨迹预测方法。建立了面向雷达点云与高精地图的多尺度时空特征提取网络，设计了不同分辨率下场景纹理与交通语义的信息融合策略，构建了车辆与非车辆区域不均衡样本条件下的多目标损失函数，以任务引导的方式同步执行车辆轨迹预测及上层感知任务，消除由检测漂移和跟踪误匹配引起的预测偏差并有效提升计算效率。
作者：	孟庆瑜
专业：	控制科学与工程
导师：	郭洪艳
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2023