原文传递
面向高速环境下基于LSTM的驾驶人意图识别关键技术研究
| 论文题名： | 面向高速环境下基于LSTM的驾驶人意图识别关键技术研究 |
| 关键词： | 自动驾驶;意图识别;轨迹预测;长短期记忆网络 |
| 摘要： | 随着我国高速公路的不断完善和扩建，车辆数量不断增加，交通流量大大增加，增加了事故发生的潜在风险。近年来，自动驾驶技术的出现可以有效减少因人为驾驶失误而引发的交通事故，为解决高速交通安全问题提供了新的机遇。驾驶人意图识别是自动驾驶系统的关键技术，提前识别驾驶意图可以协助驾驶人进行驾驶决策，显著减少变道引起的交通事故。针对高速公路事故频发以及驾驶人意图识别技术待完善的痛点问题，本文采用了LSTM（LongShort-TermMemory）网络并进行改进，在以下两个方向进行了系统研究：驾驶人意图识别和结合驾驶意图的车辆轨迹预测，并在NGSIM（NextGenerationSimulation）数据集上进行了实验验证。本文具体工作与成果如下： （1）针对数据集中的误差会对实验结果造成干扰的问题，使用箱线图对数据中的异常值进行识别和修正，对称移动平均算法对车辆轨迹进行平滑滤波，结果表明数据预处理在保留了数据原有的波动特征的同时，进一步提高了车辆轨迹数据的质量，并基于变道行为从数据集中筛选出五种驾驶意图数据，为后文模型的训练与验证奠定数据基础。 （2）针对驾驶意图识别精度低、没有充分利用周围相关信息的问题，构建了CNN-LSTM-Attention驾驶人意图识别模型，特征层面考虑了大部分研究中忽视的周边车辆的邻居信息和自身特征的优化，定量分析出模型所需的合适的历史序列长度，通过对到达变道点的不同预测时间进行分析，验证了预测时间对驾驶意图识别指标的影响，在NGSIM数据集上进行对比实验和消融实验探索网络模型识别性能，结果表明本文提出的驾驶人意图识别模型在评价指标优于其他预测模型。 （3）针对车辆轨迹预测缺乏对驾驶人行为分析的问题，本文基于驾驶人意图识别结果构建ConvLSTM-MDN编码-解码车辆轨迹预测模型。以RMSE为评价指标，验证了驾驶意图识别结果可显著提高车辆轨迹预测的准确性，与ConvLSTM模型预测轨迹对比实验，实验结果表明本文模型可同时输出多个不同的轨迹预测模式，具有更好的多模态预测能力，消融实验结果表明引入驾驶人意图识别的ConvLSTM-MDN模型对时间序列轨迹具有很好的拟合作用，可以更有效地实现交通车辆的轨迹预测。 |
| 作者： | 庄皓 |
| 专业： | 控制工程 |
| 导师： | 李杨 |
| 授予学位： | 硕士 |
| 授予学位单位： | 齐鲁工业大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
