基于车辆视角数据的行人轨迹预测与风险等级评定

常用的基于路基视角数据的行人轨迹和风险预测模型往往无法避免复杂的建模运算和人工判断。为简洁而有效地预测行人轨迹和评定风险等级,本文中采用车辆视角数据建立行人轨迹和风险等级的预测模型,并先后进行车辆视角行人数据的采集、基于长短期记忆神经网络的行人轨迹预测和基于聚类分析-支持向量机方法的风险等级评定。实验结果表明,基于车辆视角数据所建立的数据驱动的模型能捕捉行人与车辆的运动趋势和交互特征,具有预测行人轨迹和评定风险等级的能力。     

基于车辆位置与速度特征的驾驶行为模式分类方法

精细车辆轨迹中包含连续的时间戳、位置，以及速度等信息。通过对车辆轨迹数据进行量化表达与挖掘分析，可以实现对车辆行为模式的分类。现有研究大多关注对位置的聚类，很少对车速、加速度等特征进行研究分析，而车速等是反映驾驶行为模式的重要特征。为了将轨迹多维信息纳入分析框架，研究了基于位置与速度特征的车辆轨迹行为模式分类方法。为克服现有行为模式分类方法的维度单一性，运用豪斯多夫轨迹距离算法计算出位置和速度特征的综合距离矩阵，针对豪斯多夫距离算法鲁棒性差的缺点，采用单向豪斯多夫距离90%分位值对算法进行了改进，降低噪声影响。同时，引入了车辆位置和速度来进一步提高分类的准确性，运用多次分层聚类算法依次对位置与速度轨迹图进行分类，得到车辆位置和速度上的行为模式。以HighD数据集为样本，提取了三车道上的行车轨迹，验证了基于速度与位置特征的车辆行为模式分类方法。结果表明:①本方法可以得到位置和速度的综合行为模式，聚类平均准确率达到94.8%，优于DBTCAN准确率89.3%和t-Cluster准确率86.4%；②基于换道模式轨迹偏移率曲线的分析，得到了4种互异的典型车辆换道模式。该方法可利用多维轨迹数据对行车模式进行分类及行为辨识，在车辆轨迹分类与不良行为辨识方面具有应用潜力。      

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息.为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法.采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号.将轨迹从图像坐标转换为车道基准下Frenet坐标,构建集合经验模态分解(EEMD)模型进行轨迹数据噪声消除.采用南京市快速路无人机拍摄的2组开源航拍视频,涵盖拥堵与自由流交通状态,对轨迹提取算法进行效果测试.结果表明,在自由流和拥挤条件下轨迹准确率分别为98.86％和98.83％,轨迹召回率为93.00％和86.69％,构建算法的轨迹提取速度为0.07 s/辆/m.该方法处理得到的详细车辆时空轨迹信息能为交通流、交通安全、交通管控研究提供广泛的数据支撑,数据公开于http://seutraffic.com/.     

基于蚁群算法与海量AIS数据的船舶航线规划

利用船舶AIS轨迹数据,研究了基于蚁群算法和海量AIS数据的航线规划方法.采用Doug-las-Peucker算法对海量轨迹数据进行压缩处理;基于DBSCAN算法对处理后的AIS轨迹点数据进行聚类,提取出航路关键转向点;依据地理边界数据确定关键转向点的连接关系,并对靠近孤立碍航物的航线进行修正,构建出1个无向网络图,同时计算出各条边的船舶航行密度;将各边的密度值作为MMAS蚁群算法的初始信息素浓度,求解港口间的最优安全航线.以2017年黑德兰港到青岛港的散货船AIS轨迹数据为样本,进行航线规划研究.结果表明,规划的航线总航程为3487.21 n mile,推荐航线总里程为3576.9 n mile,传统蚁群算法规划出的航线总里程为3560.42 n mile.与相关推荐航线相比总航程缩短约为3%,与传统蚁群算法相比总航程缩短约2%;另外该方法相较于传统蚁群算法收敛速度更快.      

基于时空特性的GPS轨迹数据压缩算法

车辆GPS数据中蕴含的车辆轨迹信息具有重要的理论和应用价值.为减少轨迹数据存储空间,提高数据分析及传送速度,提出了一种基于时空特性的轨迹数据压缩算法,根据GPS数据点的时空三维特征,计算轨迹特征点判断的距离标准,更准确的提取轨迹信息.算例分析结果表明,基于时空特性的GPS轨迹数据压缩算法大幅度减少轨迹压缩误差,提高压缩效率.      

基于轨迹数据的道路客运班车停留站点位置提取方法

识别并提取道路客运班车停留站点的位置, 可为道路客运的客运站站址优化、定制出行乘降站点设置、出行信息服务等提供依据和支持, 然而当前获取班车停留站点位置的方法存在成本高、周期长的问题。通过分析道路客运班车停留轨迹数据的典型特征, 以班车轨迹数据为数据源, 基于DBSCAN算法检测位于停留站点的点簇进而提取停留站点位置。同时, 针对DBSCAN算法具有高时间复杂度的问题, 通过建立格网索引对算法进行了改进。基于京津冀区域的136条道路客运班线的班车轨迹数据进行了实证分析, 结果表明: 改进DBSCAN算法提高了算法执行效率, 平均执行时间减少了59.72%, 且所生成的班车停留站点数量与传统算法基本一致; 在提取得到的282个班车停留站点中, 256个为真实的班车停留站点, 班车停留站点提取的正确率为90.78%。      

基于毫米波雷达的过街轨迹识别与特征分析方法

针对行人、非机动车等慢行交通的过街轨迹识别与分析问题,提出一种基于毫米波雷达的实现方法。根据毫米波雷达提供的目标数据,采取坐标转换、数据清洗、数据滤波三步骤,识别获得过街轨迹数据,在此基础上,通过计算平均速度、最大速度、最小速度、过街方向等特征指标,判断过街类型,完成分类统计和特征分析。并结合实际案例应用,将识别与分析结果与人工统计结果进行比对,结果表明,该方法能有效提取过街轨迹,识别行人与非机动车,计算出其流量和速度,与实际较为相符,误差在10%以内。     

典型汽车碰撞事故场景中行人运动轨迹预测方法

为提高未来自动驾驶车辆对弱势道路使用群体的感知和决策融合的可靠性，本文提出一种基于目标检测算法（YOLOv5）、多目标跟踪算法（Deep-Sort）和社交长短时记忆神经网络（social-long short-term memory,Social-LSTM）的行人未来运动轨迹预测方法。结合YOLOv5检测和Deep-Sort跟踪算法，有效解决行人检测跟踪过程中目标丢失问题。提取特定行人目标历史轨迹作为预测框架的输入边界条件，并采用Social-LSTM预测行人未来运动轨迹。并对未来运动轨迹进行透视变换和直接线性变换，转换为世界坐标系中的位置信息，预测车辆与行人的可能未来碰撞位置。结果显示目标检测精度达到93.889%，平均精度均值达96.753%，基于高精度的检测模型最终轨迹预测算法结果显示，预测损失随着训练步长的增加呈递减趋势，最终损失值均小于1%，其中平均位移误差降低了18.30%，最终位移误差降低了51.90%，本研究可为智能车辆避撞策略开发提供理论依据和参考。     

基于UWB定位的邮轮乘员伴随关系发现算法

准确发现邮轮内部空间乘客之间的伴随关系, 在室内环境安装UWB定位设备开展室内人员定位实验。根据UWB定位的位置数据特点, 提出结合室内位置语义的Hausdorff-DBSCAN算法以聚类邮轮乘员轨迹, 并利用LSTM神经网络对疑似伴随关系对象进行相似度变化趋势的预测。传统的Hausdorff算法在计算轨迹相似度时未考虑轨迹时序一致的问题, 引入位置语义序列能够较好地解决这个问题。改进后的Hausdorff-DBSCAN算法的输入为乘员轨迹数据集, 根据轨迹整体相似度阈值选定聚类半径, 输出具有伴随关系的乘员轨迹聚类结果; LSTM神经网络以定长时间窗口的点邻近度序列为输入, 预测后1个时刻点邻近度值, 结合轨迹相似度阈值和预测结果分析乘员伴随关系的时序变化。利用Anylogic建模单层邮轮室内环境进行乘员仿真得到的轨迹数据验证算法的有效性。改进的Hausdorff-DBSCAN算法的准确率为0.920, 召回率为0.950, F₁值为0.934, 准确率高出对比算法至少5.7%, 召回率高出对比算法至少8.0%, F1值高出对比算法至少6.7%。同时LSTM在预测邮轮乘员之间相似度变化时, 收敛后的误差值能保持在3%~4%左右, 预测结果具有较高的准确性。      

基于OGS-DTW算法的交通事件自动检测方法

为提高交通事件检测方法的综合性能,使用动态背景更新和改进的运动估计,将动态图像序列转化为车辆标号场,实现对车辆的跟踪;构造轨迹建模和编码,提取车辆的运动轨迹,并建立自组织神经网络进行行为模式学习;最后,使用OGS-DTW算法对轨迹数据进行预处理,并对距离函数进行求解,从而实现待测事件序列的轨迹与典型轨迹数据模式的匹配。分别以U形转、违章左拐和违章变道3种事件为对象进行了多组对比,检测成功率均在80%以上。试验还进行3种检测方法指标的对比,在平均耗时方面,一般的DTW算法、改进的DTW算法及基于OGS改进的DTW算法分别是126.5、62.5、69.8 s;而它们的事件检测成功率分别是84.6%、68.8%和88.3%。结果表明:基于OGS-DTW算法的交通事件检测方法稳定且可靠,在显著降低计算量的同时,仍然保证了较高的匹配准确性,成功率高、实时性好。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

基于多特征融合的行人意图以及行人轨迹预测方法研究

行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory,LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明：所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity,CV)模型、交互多模型(Interacting Multiple Model,IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方法可提前0.56 s识别行人的转弯意图,可为智能车辆的决策模块提供有益线索;提出的方法能够有效降低行人意图转变过程中的轨迹预测误差,对减小车辆与行人碰撞事故,提高智能车辆行驶安全性具有重要意义。     

基于时空融合LSTM网络的驾驶视角轨迹预测

自动驾驶环境感知系统的重要任务之一是对周围交通目标进行轨迹预测,其输出轨迹可为决策控制和路径规划提供所需目标信息.考虑传统轨迹预测方法一般基于俯视视角而难以满足自动驾驶车载感知的实际需求,提出一种基于长短时记忆(LSTM)网络模块、空间交互模块和时间行为注意力模块相融合的驾驶视角轨迹预测算法.为更好体现交通目标与周围环...     

路侧感知车辆轨迹数据质量智能评估方法

智慧公路布设了大量路侧智能传感器，可以获取全时空车辆运行轨迹数据。然而，如何实现轨迹数据质量高效便捷的评估一直是困扰行业管理部门的难题。现有评估方法大多存在量化指标维度单一、鲁棒性较差等问题。为此，提出一种通过挖掘轨迹数据多维特征以快速评估轨迹数据质量的方法。首先基于轨迹多元信息从元素特征、时序特征和空间特征3个维度设计轨迹合理性、波动性与交互异常性评估指标，并分析评估指标与轨迹数据质量水平的相关关系；在此基础上提出一种利用多元评估指标实现轨迹质量评估的自适应融合回归模型；最后，结合公开轨迹数据集和实测数据集对指标和模型的可靠性及稳定性进行测试与验证。结果表明：轨迹合理性、波动性指标与数据质量显著相关，可基于此构建指标融合模型评估轨迹质量，且引入提出的交互异常性指标可较好地提升模型评估效果。随着模型得分的降低，轨迹数据的运动与交互特征的异常程度增大，持续时间增加。提出的智能评估模型可以挖掘评估指标与轨迹质量的关系，对不同质量水平的轨迹均保持较好的评估效果且优于传统的单一维度评估指标方法，具有良好的稳定性、鲁棒性和优越性，可为车路协同环境下海量的路侧感知轨迹数据提供可靠的质量评价与监测方法。     

多特征点驱动的船舶轨迹聚类方法

轨迹聚类在船舶行为分析与海事监管等领域发挥着重要作用。船舶轨迹存在长度与采样率不一致、结构差异明显等特点,在大范围水域难以实现大量船舶轨迹的高精度与快速聚类。针对该问题,在利用船舶自动识别系统获取海量船舶历史航行数据的基础上,提取与船舶航行行为、船舶交通密度相关的位置特征点,进而提出了多特征点驱动的船舶轨迹聚类方法。针对船舶航行时在大多数情形下具有保向、保速的特点,采用数据压缩的方法捕获船舶航行状态以及船舶航向发生显著变化的轨迹点,作为船舶轨迹结构特征点;针对目标水域中某些特定区域常存在船舶交叉会遇的情形,利用概率密度估计法分析船舶交通流的空间分布特点,并提取船舶会遇局面下的轨迹点,作为船舶交通流特征点;为剔除2类特征点中的异常值,采用密度聚类算法对特征点进行聚类,进一步提高特征点提取的可靠性,并将聚类结果中每类特征点的中心作为代表性特征点;统计途经代表性特征点的船舶轨迹分布情况,将具有相似分布的船舶轨迹视为同一类。实验结果表明:相比于常用的K-medoids聚类、层次聚类、谱聚类和DBSCAN等方法,提出的轨迹聚类方法在成山头水域、长江口南槽水域及舟山水域等典型区域均可获得优异的聚类结果;在上述典型水域,平均轮廓系数分别提升约53%,71%,63%和41%,戴维森堡丁指数分别降低约57%,67%,63%和45%;同时,此方法可平均降低约56%的聚类时间,显著提升了船舶轨迹数据聚类分析的效率。      

基于大货车GPS数据的轨迹相似性度量有效性研究

目前,中国货车上全球定位系统(GPS)的强制安装,使得利用包含时间、空间和速度等信息的货车轨迹数据来研究货车运行模式成为可能。基于距离的轨迹相似性度量算法,采用全国道路货运车辆公共监管与服务平台获取的货车GPS轨迹数据,对比分析其在货车轨迹模式识别中的应用。选用文献中最常用的4种基于距离的轨迹相似性度量算法,分别为离散弗雷歇距离(DFD)、动态时间规整(DTW)、最长公共序列(LCS)和实序列编辑距离(EDR)。试验结果表明:当使用二维地理空间轨迹数据(即经度和纬度)时,4种基于距离的轨迹相似性度量算法都能很好地对相似轨迹进行分类(正确率均高于85%),这与现有文献的结论一致。虽然一般认为二维轨迹相似性算法可以直接应用到多维轨迹数据,但是解决具体问题时可能出现的误差以及各种轨迹相似性算法的适用性仍然不确定。目前几乎没有文献对三维及其以上的多维轨迹数据进行实例分析研究,因而,通过相同路线上的三维GPS货车轨迹数据(包括经度,纬度和速度)对4种基于距离的轨迹相似性度量算法进行验证。将第3维速度加入到二维空间轨迹上后发现LCS算法对基于地理空间轨迹的速度模式分类效果优于其他3种基于距离的轨迹相似性度量算法。这说明运用LCS轨迹相似性度量算法来识别基于三维GPS轨迹的货车运行模式是可行的,LCS算法在货车运营管理等方面将有很大的应用潜力。     

基于状态空间采样的高速公路智能网联车辆轨迹动态规划

为实现智能网联车辆在高速公路动态行车环境下的轨迹实时规划，提出一种基于状态空间采样的轨迹动态规划方法。首先，以安全性为原则选取主车当前行驶的理想车道。基于Frenet坐标与笛卡尔坐标的转换关系，建立车辆运动横、纵向解耦的独立积分系统。将高速公路常见的行驶状态分为车道保持与定速巡航、变道以及前车跟随3类，预测主车行驶车道并针对3类行驶状态分别设计轨迹终端的目标配置方法。然后，利用多项式函数生成连接初始配置和目标配置的多条待选轨迹。构建考虑轨迹偏离理想车道程度、始末速度变化、规划周期和轨迹舒适性的综合损失函数，结合速度、加速度、曲率检查来评价各条待选轨迹的成本并进行排序。最后，预测车辆的横、纵向运动轨迹并构建一种胶囊形的车辆虚拟安全边界，通过碰撞检测，确定主车的最优轨迹，设置动态规划触发条件及时更新最优轨迹并避免过度规划浪费资源。研究结果表明：提出的算法能满足高速公路场景的动态规划需求；通过对轨迹规划周期、虚拟安全边界、动态规划时间间隔等关键参数的分析与优化，主车的横摆角速度范围稳定在-0.1~0.15 (°)·s^-1，横向加速度范围稳定在-0.16~0.32 m·s^-2，跟踪参考轨迹的最大误差不超过0.022 m，提出的算法能规划出具有高安全性、稳定性和舒适性的轨迹。     

连续下降进近(CDA)航迹的 Gauss 伪谱优化方法

针对优化恒定下滑角的直线连续下降进近(CDA)飞行航迹问题,采用高斯伪谱法将 Bolza型最优控制问题(OCP)转化成飞行器不同襟翼状态下的非线性规划问题,得出时间优化连续下降进近飞行航迹.对连续下降进近的飞行器建立动力学模型,确定飞行位置的状态变量及航迹角的控制变量,提出时间最小化性能指标.选取 B737-800机型,在终端区和飞行状态限制条件下利用 GPOPS工具仿真高斯伪谱法时间优化航迹,确定 TOD 位置和飞行速度控制曲线.并与其它 CDA 航迹算法进行比较研究.对比分析终端区17条 CDA 航迹及1条传统阶梯式进近航迹的进近状态,结果显示,采用高斯伪谱法获得的 CDA 航迹相比于传统进近航迹的下降时间缩短了16.67%,且优于其它算法获得的 CDA 航迹.验证使用高斯伪谱法优化 CDA 航迹可节省下降时间,提高航迹预测的精度和飞行控制系统的计算效率.      

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高，且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题，在社会生成对抗网络(Social GAN)的基础上，考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸，建立车辆间交互影响力场模型，提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子，重点关注对自车行驶影响较大的车辆信息，并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性，得到车辆预测轨迹。为验证所提算法的有效性，在开源数据集上对算法进行迭代训练，并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升，且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降，预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...     

基于差异性区域预测的行人与骑车人联合检测

本文中针对自动驾驶车辆在环境感知过程中易将行人与骑车人混淆的问题,提出一种有效区分行人与骑车人的联合检测方法,并基于快速区域卷积神经网络Faster R-CNN进行改进。首先,通过增加一个子网络提取图像形状特征通道,将其与主干网络生成的特征图进行聚合,额外的形状语义通道用以辅助检测器区分行人与骑车人的特征;接着,通过构建差异性区域预测单元,以区分行人与骑车人差异部位,将建议区域划分为多个部件并计算其置信度,根据该置信度对部件特征进行加权;最后,将主体特征与加权后的部件特征聚合后送至分类器进行分类。在本文中构建的行人-骑车人数据集和公开的Caltech数据集中进行测试的结果表明,改进后的检测方法能有效减少将骑车人误检为行人的情况,具有较高的检测精度。