详情

原文传递基于LSTM的智能车辆拟人化驾驶意图识别和轨迹预测

论文题名：	基于LSTM的智能车辆拟人化驾驶意图识别和轨迹预测
关键词：	智能车辆;自动驾驶;LSTM;驾驶风格;意图识别;轨迹预测
摘要：	国内机动车保有量的迅速增长提高了交通拥堵和交通事故的发生率，自动驾驶作为提高汽车行驶安全性的重要方式，能够通过预测模块处理历史信息，预测周围车辆的动作和轨迹，避免可能发生的交通事故或者提前启动被动安全功能，实现主被动安全一体化。传统预测模型以提高预测精度为目标，却较少考虑驾驶员驾驶特性的影响，且以往研究的驾驶风格是假设稳定不变的，很少考虑环境对于驾驶风格的影响。为了研究驾驶风格随环境变化的特性，提高当前预测模块识别准确度，寻求更符合驾驶人特性的预测输出，本文提出一种考虑动态驾驶风格的意图识别和轨迹预测模型，实现拟人化的意图识别和轨迹预测。本文具体研究内容如下：　　（1）针对传统驾驶风格较少考虑环境变化的影响、驾驶员只有一种驾驶风格不符合实际等问题，首先设计主观驾驶风格问卷，通过主成分分析降低数据维度，通过K-Means聚类将问卷人员驾驶风格分为三类，定性地分析道路环境对于驾驶员驾驶风格的影响。其次设计不同场景的仿真实验，从问卷人员中挑选驾驶员采集仿真驾驶数据，通过数据处理以及聚类，并根据数据统计详细分析各类人的驾驶特性，以及不同环境下驾驶员特征值的变化、驾驶风格的转换和对不同变化的敏感程度。最后设计建立驾驶风格神经网络分类模型，利用客观驾驶数据进行训练和验证，实现动态实时识别驾驶员的驾驶风格。　　（2）针对当前意图识别模型较少考虑驾驶员特性、识别准确性低等问题，本文基于HighD数据集,对不同道路和时间点的数据进行筛选并作为原始数据集，选取车辆的特征信息作为输入，以周围车辆TTC作为周围车辆影响的考量，将换道分为意图产生-换道过程-换道成功三个阶段，以车辆横向移动阈值作为换道开始标志，并以此为标准截取固定时间窗的数据样本。搭建拟人化长短期记忆网络（LongShort-TermMemoryNetwork，简称LSTM）意图识别模型，并对比分析拟人化模块在意图识别中的作用。通过对不同驾驶风格驾驶员的驾驶意图的差别，总结不同驾驶风格驾驶员的操纵习惯，并定性定量地验证不同时间窗截取数据对于识别准确度的影响。　　（3）针对主流预测模型长时预测精度低、模型与驾驶员结合的程度较浅等问题，提出基于LSTM的改进注意力机制拟人化轨迹预测模型。设计新的数据库结构，在人为因素方面引入驾驶风格和驾驶意图数据。基于CS-LSTM对于周围车辆的卷积计算，实现对空间上目标车辆周围特征的提取；同时引入动态驾驶风格识别模型和拟人化驾驶意图识别模型，完成拟人化模块的输出；在时间方面，引入解码器注意力机制，加强对于历史关键信息的重视，并基于驾驶风格对注意力机制进行改进，实现拟人化权重分配。通过与其他模型预测误差的横向对比，本文提出的DACS-LSTM模型在长时预测任务中的拟人化轨迹预测存在一定优势，将ACS-LSTM和本文提出模型的预测轨迹可视化，分析拟人化模块对于预测轨迹的影响，综合两个模型表现，本模型的预测轨迹更贴合实际轨迹；截取传统注意力机制和本文提出的改进注意力机制的权重分配，结合驾驶风格对轨迹变化进行分析。
作者：	李胜男
专业：	车身工程
导师：	沈传亮
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023