详情

原文传递基于多源指数加权损失下LSTM的换道意图识别方法

专利名称：	基于多源指数加权损失下LSTM的换道意图识别方法
摘要：	针对车道变换意图识别中数据源单一，序列模型难以捕获长序列范围内换道意图且存在长期依赖问题，提出一种时间信息加权指数损失函数下的长短时记忆网络车辆换道意图识别模型。首先，利用驾驶模拟舱,眼动仪进行高速公路驾驶实验，采集车辆运行数据和驾驶员眼动数据；基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型，提出的基于时间信息加权的指数损失函数对模型权重进行优化；最后，利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其它模型进行对比，所提模型换道识别的准确率为96.78％，精确率为95.72％,召回率为95.83％,F1值为95.73％。长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力，提出的损失函数对模型权重优化具有良好的效果。
专利类型：	发明专利
申请人：	北京工业大学
发明人：	王皓昕;李振龙;张耀伟;郑淑欣
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T08:00:00+0805
申请号：	CN201911343032.0
公开号：	CN111114556A
代理机构：	北京思海天达知识产权代理有限公司
代理人：	张慧
分类号：	B60W50/00;B;B60;B60W;B60W50;B60W50/00
申请人地址：	100124 北京市朝阳区平乐园100号
主权项：	1.一种基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于，所述方法包括如下步骤: 步骤1)换道数据的生成与意图时窗的确立；步骤2)换道数据的筛选与预处理；步骤3)加权指数损失函数的构建；步骤4)LSTM的换道意图识别模型的训练；步骤5)利用步骤4所训练的LSTM换道意图识别模型进行预测，评估。 2.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：步骤1中所述的换道数据的生成与意图时窗的确立的具体步骤为：通过AutoSim驾驶模拟舱，及SMI眼动仪实时生成换道过程中车辆及眼部注视数据，对换道过程中换道意图开始到换道执行期间的时窗大小进行分析，左换道及右换道的意图时窗分别为2.83秒及2.81秒，为保证换道意图时间窗的可靠性，选取3秒作为换道意图时窗大小。 3.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：所述步骤2中换道数据的筛选与预处理的步骤为，提取3秒换道意图时窗，同时对每个变量进行标准化处理；其标准化处理可通过式(1)计算：其中为数据集中第i项样本的第t项时间步的第j项特征。 4.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：步骤3中，加权指数损失函数的构建的具体步骤为：选取基本多分类指数损失函数，并在样本的每一个时间步的损失值前分配与反应时间信息的指数权重项，保证随着序列长度上升，损失项加大；首先对标签向量y按公式(2)进行重新编码，使得标签为k的样例，其编码后的标签向量q是除第k项元素为1外，剩余元素值均取样本数为N下长度为L的序列数据损失可通过式(3)计算；式(2)中，K为类别数；式(3)中，长度为L的序列数据损失函数为Loss(q，f(x))，为模型第i个样本的第t个时间步的输出中第k项类别的概率，为第i个样本的第t个时间步的标签中第的k项类别的概率。 5.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：所述LSTM的换道意图识别模型的训练的步骤为，模型采取多数据源独立训练方式，车辆换道数据源及眼部注视数据源经过其各自的输入层，隐藏层，融合层，按照时间步依次展开构成，模型内部选取了长短时记忆结构，每个长短时记忆结构的输出值可通过式(4)-(9)计算，以车辆，眼动网络各自隐含层的输出作为全连接融合层的输入后，经过softmax层，以对换道决策结果执行概率化操作； it＝σ(Wi[xt，ht-1]+bi) (4) ft＝σ(Wf[xt，ht-1]+bf) (5) ot＝σ(Wo[xt，ht-1]+bo) (6) ht＝ote Tanh(ct) (9) 式(4)-(9)中，ft表示遗忘门限，it表示输入门限，ot表示输出门，表示备选值向量，ct表示当前时间步神经元状态，ht表示t时刻神经元输出，W表示下标对应的层和门之间的权重矩阵，xt表示t时刻输入特征向量，σ表示Sigmoid函数，bi、bf、bo分别表示表示输入门，遗忘门，输出门的偏置，e是门操作中对应元素乘积运算。 6.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：所述步骤5中利用步骤4所训练的LSTM换道意图识别模型进行预测，评估的具体步骤为：选取准确率，精确率，召回率及F1值作为模型评测结果，评测指标可通过式(10)-(13)计算得到：式中：TP、FP、FN、TN分别代表真正例、假正例、假反例、真反例，P，R分别表示查准率与查全率。
所属类别：	发明专利