基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力，以便做出合理的决策规划，提高行驶安全性和乘坐舒适性。运用深度学习方法，设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型，该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图，其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率；轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成，其中的编码器将历史轨迹信息编码为上下文向量，解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹；引入MDN层的目的是利用概率分布来表示车辆未来位置，而非仅仅预测一条确定的轨迹，以提高预测结果的可靠性和模型的鲁棒性。此外，将被预测车辆及其周围车辆组成的整体视为研究对象，使模型能够理解车-车间的交互式行为，响应交通环境的变化，动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比，基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势，考虑交互式信息的意图识别模块具备更高的预判性和准确率，且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差，显著提高轨迹预测精度。     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

人机协作系统中车辆轨迹规划与轨迹跟踪控制研究

自动驾驶系统需具备响应驾驶人意图且有效执行驾驶人意图的能力，以解决人机协作系统中存在的人机冲突、人机优势融合等问题。提出决策层“以人为主”、执行层“以机为首”的人机协作关系，构建包含驾驶人意图识别模块、基于意图识别的轨迹规划模块与轨迹跟踪控制模块的人机协作一体化控制系统框架，并重点对轨迹规划模块与轨迹跟踪控制模块开展研究。首先，结合双向长短期记忆神经网络（Bi-directional Long Short Term Memory，Bi-LSTM）与注意力机制模型建立换道轨迹规划模型；在改进人工势场算法中引入模型预测控制并建立避险轨迹规划模型。其次，通过开展驾驶模拟器试验建立换道与避险驾驶行为数据集，为拟人化模型训练和模型参数确定提供支撑。然后，综合考虑车辆状态变量、控制输入与输出以及道路结构参数等约束条件，构建基于最优转向前轮输入的线性时变模型预测轨迹跟踪控制器，实现对规划轨迹的精准跟踪。最后，基于驾驶模拟器搭建人机协作系统硬件在环测试平台，对轨迹规划模块与轨迹跟踪控制模块开展硬件在环测试与验证。结果表明：换道与避险规划轨迹光滑且平稳，轨迹跟踪控制过程中，车辆航向角与前轮转角变化平稳；所构建的轨迹规划与轨迹跟踪控制模块在确保安全性前提下可实现不同场景中的车辆运动控制需求。     

基于图神经网络的交互车辆驾驶意图识别及轨迹预测

为实现周围车辆行驶轨迹的准确预测，运用深度学习方法，设计了一种基于图神经网络与门控循环单元（GRU）的驾驶意图识别及车辆轨迹预测模型。驾驶意图识别模型将车-车间的交互关系构造成时空图，运用图神经网络学习其交互规律，并利用Softmax函数计算出不同驾驶意图的概率；轨迹预测模型采用编码-解码的GRU网络，编码器将车辆历史轨迹信息进行编码并融合识别的驾驶意图信息，再通过解码器实现轨迹预测。最后采用NGSIM数据集对模型进行训练和验证，结果表明：所提出的模型能够更好地识别车辆的驾驶意图，且考虑驾驶意图的车辆轨迹预测模型能够有效提高预测精度。     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于港珠澳大桥左右舵车辆时空混行的差异化驾驶行为识别和预测方法

为实现左右舵不同驾驶习性驾驶人在港珠澳大桥时空混行环境下快速、有效识别并预测行驶车辆在应急条件下的运动状态，提出了一种考虑右舵驾驶行为的模型加数据混合运动预测方法。首先，提取港珠澳大桥通行车辆的跟驰与换道原始轨迹数据并分析，挖掘左右舵驾驶行为在直道及变道属性下的长短时特性；其次，结合最大信息系数算法(MIC)对比所提取特征与2类驾驶行为的关联程度，并求解关键区分特性下高斯混合模型(GMM)对于左右舵驾驶行为应急反应的倾向性概率；最后，将2种驾驶行为的车辆运动状态在直道行驶的差异特征作为长短时记忆(LSTM)神经网络的输入，建立数据驱动下的直道横向偏移预测模型，并在具有差异化驾驶行为的车辆直道位姿信息预测基础上，串联建立模型驱动下的变道概率预测模型。对青州航道桥实际车流监测数据的测试结果表明：所提方法可基于行驶车辆的横向偏移和偏航率等特征快速、准确识别左右舵驾驶行为；对于不同特征输入下的直道偏移预测结果，所预测左舵驾驶行为的均方根误差(RMSE)、改进的豪斯多夫距离(MHD)与决定系数(R²)的最优评估分别为0.578 7、0.468 1与0.870 7,右舵驾驶行...     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分，对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式，提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先，考虑车辆类型对驾驶行为产生直接的影响，分析了大车和小车的车辆轨迹特征变量分布的差异性，包括速度、加速度、碰撞时间倒数、车头时距等，在标记危险驾驶行为的过程中考虑车辆类型的影响。其次，针对不同的车辆类型，利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估，将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间，评估驾驶人的整体驾驶状态是否危险，作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数，为了提高模型识别效率，将关键特征参数进行排序，从而确定最优判别指标；最后，利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别，并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下，LGBM算法对危险驾驶行为的理论识别率最高可达93.62%，可以实现基于机器学习算法的危险驾驶行为的高精度自动识别，该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

高速动态交通场景下自动驾驶车辆换道意图识别模型研究

为提高自动驾驶车辆在高速动态复杂交通场景下车辆换道意图识别精度和预判能力，提出了基于融合注意力机制的卷积残差双向长短时记忆（BiLSTM）识别模型。采用一维卷积神经网络提取车辆运动状态特征；将构造的特征向量作为BiLSTM输入信息；通过残差连接，解决多层BiLSTM易出现的优化瓶颈和梯度消失问题；利用注意力机制，调整残差BiLSTM不同时刻输出权重；应用Softmax函数计算驾驶意图概率。采用NGSIM高速公路数据集对模型进行验证，并与其他4种模型进行对比，结果表明：该模型对换道意图整体识别准确率最高，达到97.44%，在换道前2.5 s预测结果准确率达到90%以上，具有更好的识别精度和预判能力。     

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

混驾环境下基于主从博弈的多车协同决策规划

在自动驾驶车辆与人工驾驶车辆混行的复杂交通环境中,如何减小驾驶行为截然不同的2类车辆间的复杂相互作用对于车辆行驶安全性、乘坐舒适性和交通通行效率的影响,是当前自动驾驶决策与控制领域亟待解决的关键问题。提出了一个人机混驾环境下人工驾驶车辆与自动驾驶车辆之间的非合作博弈交互框架。首先,综合考虑车辆加速度线性递减的驾驶人纵向操纵特性、差异化配合程度和不同的延迟响应特性,建立人工驾驶车辆的纵向博弈策略。其次,考虑自动驾驶车辆与周围车辆的安全性约束,以及自动驾驶车辆在换道过程中的舒适性和通行效率目标,设计了自动驾驶车辆的纵向博弈策略。然后,基于主从博弈理论对不同混驾环境下人工驾驶车辆与自动驾驶车辆的博弈交互问题进行求解,得到最优的换道间隙和自动驾驶车辆的纵向速度轨迹,并采用模型预测控制方法规划出自动驾驶车辆的横向安全换道轨迹。最后,根据人工驾驶车辆不同配合度和延迟响应时间的差异,设计了多组人机混驾试验工况进行验证。试验结果表明：自动驾驶车辆能够快速准确识别人工驾驶车辆的配合度,选择出最优的目标换道间隙,并与间隙周围的自动驾驶车辆协作来汇入目标间隙。在换道过程中,自动驾驶车辆始终与周围车辆保持安全...     

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域，经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换，这对于实现安全高效的自动驾驶至关重要，然而目前的自动驾驶车辆往往缺乏这种预测能力。为此，基于深度学习理论，提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法，利用Next Generation Simulation（NGSIM）数据集提取车辆变道过程中的关键特征，并引入碰撞时间（Time to Collision，TTC）和避免碰撞减速度（Deceleration Rate to Avoid a Crash，DRAC）2种风险指标，将变道车辆及其周围车辆视为一个整体状态单元，同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征，从而更有效地刻画车辆间的动态交互行为；然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络（Long Short-term Memory，LSTM）的编-解码器，预测交织区车辆变道的未来运动轨迹，通过添加软注意力模块，使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息，再现了真实交通场景下车辆的变道行为。试验验证表明：基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度，在长时域的变道轨迹拟合上有显著的优越性，为辅助和自动驾驶领域的发展提供了新思路。     

基于车车通信的车辆并行协同自动换道控制

为研究多车协同自动换道,分析了三车道八车场景中两车协同行为,对两车并行协同行为进行界定,提出了两车并行协同自动换道控制策略。针对三车道八车场景,以车车通信为条件,实时获取周围车辆的运动状态变化和换道意图,根据周围车辆的运动状态,设计了两车协同换道轨迹模型,规划换道车辆的参考协同换道轨迹。在此基础上,提出了并行协同自动换道安全距离模型,以形成换道车辆与周围车辆的换道轨迹约束,保证生成安全可靠的协同换道轨迹。最终根据规划的安全参考轨迹,采用模型预测控制算法,实时优化换道车辆的速度和前轮转角,实现轨迹纵横向跟踪。仿真结果表明,所提出的并行协同控制策略能够实现两车安全协同自动换道,同时提高换道效率。     

基于Residual BiLSTM网络的车辆切入意图预测研究

本文中根据中国实际道路特征,提出一种基于Residual BiLSTM网络的车辆切入意图预测模型,从切入车辆的轨迹信息和与自车的交互信息中提取切入特征,并采用softmax函数计算切入意图,分别为左车道保持、左车道插入、右车道插入和右车道保持的概率,最后利用中国复杂路况的自然驾驶数据集对预测模型进行训练和测试。结果表明,所提出的Residual BiLSTM车辆切入意图预测模型有明显优势,其准确率比LSTM提升8.2个百分点,且能较早地预测出车辆的切入意图,对提高自动驾驶车辆的决策规划能力和安全性具有重要的意义。     

自动驾驶汽车行为预测综述

为了能够满足自动驾驶汽车在复杂交通场景中安全高效运行,自动驾驶汽车必须做到对周围对象不确定性行为进行准确预测。作为自动驾驶的关键技术,近年来不断有新的轨迹预测思路和算法被提出,尤其是针对复杂交通场景中的对象轨迹预测。通过将复杂交通场景中的预测对象分为:车辆轨迹预测和行人轨迹预测2类,在此基础上对不同预测对象采用近年来的主流预测算法进行分类总结。最后讨论了当前行为预测存在的问题,并提出了一些有价值的研究展望。     

基于交通状况及行驶速度的高速公路换道时间研究

换道行为是影响高速公路运营安全的重要因素之一,而换道时间为交通安全分析模型中的关键参数,在换道时间标定中应考虑不同交通状况和不同行驶速度的影响。为此,在交通状况不同的多条高速公路进行了一系列的现场实车试验,通过行车记录仪采集连续的行车视频,采用计算机视觉技术中的Canny算法识别行车视频图像中的车道边缘线,获取精确的车辆轨迹与车道边缘线的偏移值,实现对车辆换道行为的准确识别。根据车载辅助驾驶装置记录的试验车辆换道时的行驶速度,以及换道影响区域内试验车辆邻近的各种车辆,对车辆换道时所处的不同交通状况和行驶速度组合条件下的车辆换道时间进行分析研究。结果表明:不同交通状况下的高速公路换道时间均服从对数正态分布;换道时间与车辆换道影响区域内的交通状况存在显著联系,车辆在处于低密度交通状况下的换道时间比在中、高密度交通状况下的换道时间长;当车辆在处于低密度交通状况和低行驶速度下换道时,换道时间比其他交通状况和行驶速度组合下的长,而在中、高密度交通状况下车辆的换道时间并不受车辆行驶速度的影响。本研究成果可为自动驾驶、微观交通仿真等相关模型的换道行为参数标定提供参考。     

Probe Data-based Identification of Vehicle Behaviors at Intersection

交通控制策略制定过程中,对于车辆在交叉口进口道前行为规律的把握至关重要.准确辨识进口道车辆行为模式,是研究下一代基于车路协同的交通控制理论的基础之一.基于车路实验平台的实时车载数据,运用加权平均法对交叉口的车辆换道和转向行为进行了观察分析,并通过建立线性规划模型及求解对辨识过程中的匹配误差进行了处理.最后实地的案例研究显示,本研究的方法对交叉口驾驶转向行为识别精度达100％,对换道行为识别的误差为8.33％,基本能够满足交通控制的要求.     

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

不确定性对车辆轨迹预测的影响研究综述

通过对国内外车辆行驶面临的不确定性问题进行归纳，重点分析了车辆轨迹预测方法及其不确定性、环境预测不确定性、车辆模型不确定性、环境感知不确定性、驾驶行为不确定性和多车间的交互与博弈对轨迹预测的影响，进一步明确不确定性对车辆轨迹预测的影响机理及控制方法，为解决不确定性导致的车辆轨迹预测误差问题提出合理的解决思路。针对车载传感器的测量误差、轨迹预测模型误差和驾驶员转向稳定性差等问题，指出基于传感器融合、车辆模型运动特性和驾驶员模型的方法将成为未来的主要研究方向。     

多车道高速公路出口车辆换道行为研究

为研究多车道高速公路出口车辆换道行为,提出了出口换道车辆样本的识别指标与标准。基于筛选出的高速公路出口段的车辆换道样本,分析了不同换道需求次数下的出口换道位置分布特征,确定车辆换道影响范围,通过对车辆换道影响范围图的特征和原因的分析,并结合实际情况,提出高速公路出口诱导设置的建议。基于最后一次换道和路段上普通换道的持续时间、速度、横向加速度、纵向加速度样本,利用SPSS中T检验模块,完成换道过程中的车辆运动状态特征显著性分析。最后,找出换道意图关键影响因素,构建驾驶人换道意图与各关键影响因素的二元Logistic关系模型。