原文传递
高速混行环境下多车交互驾驶意图识别及轨迹预测
| 论文题名： | 高速混行环境下多车交互驾驶意图识别及轨迹预测 |
| 关键词： | 自动驾驶;多车交互;驾驶风格;意图识别;轨迹预测 |
| 摘要： | 多车交互场景下，考虑驾驶意图的周围车辆轨迹预测是确保自动驾驶车辆安全行驶的关键。本文结合国家自然科学基金项目“高速混行汇流环境下自动驾驶态势感知及仿人化鲁棒决策规划研究”(52072054)对高速混行多车交互场景下周车驾驶意图识别及轨迹预测进行研究，主要的研究内容如下： (1)基于高斯混合-支持向量机的驾驶风格辨识。首先通过堆叠自编码(StackedAutoencoder,SAE)对包含交互特征的驾驶风格特征参数进行低维特征提取，然后使用高斯混合模型(GaussianMixtureModel,GMM)对驾驶风格低维特征参数进行聚类分析，以聚类结果为依据，结合速度、加速度两个参数统计指标的差异性对驾驶风格进行类别划分，并搭建基于支持向量机(SupportVectorMachines,SVM)的驾驶风格辨识模型，使用NGSIM数据集的验证结果表明：该模型能够准确实现交互场景下周车驾驶风格的辨识。 (2)基于改进双向长短时记忆神经网络的驾驶意图识别。考虑到现有意图识别模型对驾驶风格和交互特征利用较少的问题，首先结合NGSIM数据集和驾驶风格识别模型输出的风格类型，构建包含多尺度交互特征的数据集。然后运用双向长短时记忆网络(Bi-directionalLongShort-TermMemory,BiLSTM)识别周围车辆驾驶意图，同时利用鲸鱼优化算法对BiLSTM的超参数进行寻优，获取最优学习率及最优隐含层节点数以规避人工调参对模型的负面影响，提高网络的识别准确率，经过NGSIM数据集的验证，引入驾驶风格和交互特征的意图识别模型对周车驾驶意图有较高的识别准确率。 (3)基于改进双向门控循环神经网络的轨迹预测。由于交互场景下的行驶数据是包含轨迹序列、驾驶意图、驾驶风格、交互行为等特征的高维时序数据，使用时间卷积神经网络(TemporalConvolutionalNetwork,TCN)提取其时序特征，并引入多头注意力机制(Multi-Head-Attention,MHA)提取序列中的交互关系，获取包含注意度的特征序列。为避免信息丢失以及网络退化，对时间卷积网络及多头注意力模型的输出进行残差连接，以获取包含重要信息和全方位信息的特征，然后输入到双向门控循环网络进行解码学习，并生成预测轨迹。和其他模型的对比分析以及仿真实验表明：该复合预测模型能够有效的提取时序特征、交互关系，预测周车轨迹时具有较高的预测精度。 |
| 作者： | 杨磊 |
| 专业： | 机械 |
| 导师： | 赵树恩 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆交通大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
