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。     

基于时间序列的目标车辆轨迹预测算法

针对高速道路场景,对智能车辆前方的目标车辆进行轨迹预测。根据车辆运动轨迹数据具有时序性的特点,并为了增加轨迹特征的表征能力和上下文时空关联性,提出了将车道线特征、目标车辆的特征与历史轨迹数据的特征进行融合,和LSTM-CNN-LSTM融合模型,以提高目标车辆轨迹预测的精度。     

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。     

无人驾驶车辆城市交叉口周边车辆轨迹预测

针对城市交叉口周边车辆长时轨迹预测问题,搭建路基和实车采集平台采集大量轨迹数据,采用高斯混合模型(Gaussian Mixture Model,GMM)识别目标运动模式,采用高斯过程回归(Gaussian Processes Regression,GPR)模型进行城市交叉口周边车辆轨迹长时预测,采用路基数据集对预测模型进行交叉验证。针对实车场景,提出结合无迹卡尔曼滤波的高斯过程算法(GP-UKF),并采用实车数据对该算法进行离线测试。结果表明,GMM可以有效提取车辆运动模式,GPR模型在长时轨迹预测问题上的表现优于基于物理模型的预测算法,并且GP-UKF模型对目标的长时轨迹预测具有更高的精度。     

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。     

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。     

基于车辆运行管理的多目标化V2V数据传递优化研究

车辆自组织网络作为提高交通效率和提升交通安全的有效手段受到了广泛关注并被应用于道路设施监控、交通拥塞和交通事故预警、乘客间信息共享等方面。文章分析了车辆自组织网络独有的特征,提出了一种基于车辆轨迹的多目标优化车与车互联(vehicle-to-vehicle,V2V)通讯技术应用模型,利用车辆轨迹信息和道路交通统计的手段来挖掘多目标马尔可夫决策过程的参数,提供两种方法求解多目标马尔可夫决策过程,最终得到交叉路口处数据包传递的最优决策,利用此决策来进行数据的转发,同时还提出了错误恢复过程进行目的交付叉路口预测错误恢复。最后,通过采集3 996辆不同类型车辆的运行数据,验证了方案的有效性。     

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。     

单车场景下城市交叉口的智能驾驶车辆左转决策研究

在复杂动态的城市道路环境中,不同的交通参与者之间会不可避免地产生时间或空间上的冲突。针对该问题,对智能驾驶车辆在城市交叉口左转时潜在的冲突行为进行分析并建立决策模型。考虑了车辆运动模式并基于高斯过程回归模型(GPR)建立了直行车辆长时轨迹预测模型,结合轨迹预测提出了基于冲突消解的智能驾驶车辆决策流程(模型)和考虑多因素的驾驶动作选择方法。基于Matlab/Simulink&Prescan搭建仿真验证平台,联合真实数据对算法进行验证。结果表明,单车场景下,决策模型能够以90%的成功率引导无人驾驶车辆完成通行任务。     

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。     

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。     

基于动态图注意力的车辆轨迹预测研究

针对目前轨迹预测研究中交互建模方法使用的图注意力网络（GAT）为静态注意力,无法有效捕捉复杂道路场景中车辆间交互的问题,提出了一种基于编码器-解码器架构的动态图注意力网络（ED-DGAT）预测高速公路环境中运动车辆的未来轨迹。编码模块使用动态图注意力机制学习场景中车辆间的空间交互,采用状态简化动态图注意力网络建模解码阶段车辆运动的相互依赖,最后使用NGSIM数据集评估所提出的模型,并与长短时记忆（LSTM）、联合社交池化与长短时记忆（S-LSTM）、联合卷积社交池化与长短时记忆（CS-LSTM）算法模型进行对比分析,结果表明,预测轨迹的均方根误差（RMSE）降低了25%,且模型的推理速度为CS-LSTM模型的2.61倍。     

基于LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

人机混驾环境下基于深度学习的车辆切入轨迹预测

为保证人机混驾环境下自动驾驶汽车的安全行驶,对周围车辆切入轨迹的预测至关重要.本文首先使用Savitzky-Golay滤波器对大规模采集的自然驾驶数据进行去噪处理,根据准则提取车辆切入片段,建立符合中国道路状况的车辆切入数据集.其次,发挥Bi-LSTM网络能充分利用上下文信息的优点和in-out快捷连接有效减少梯度消失...     

基于行为识别和曲率约束的车辆轨迹预测方法研究

为对智能车周围环境中车辆的行驶轨迹做出合理、有效的预测,提出了一种基于行为识别和曲率约束的车辆轨迹预测方法。首先,接收感知得到的障碍物信息,结合高精度地图提供的车道线信息,对车辆进行行为识别;然后建立s-l坐标系,将车辆运动分解为沿车道线方向(纵向)的运动和垂直于车道线方向(横向)的运动,依据行为识别结果得到车辆在横、纵向运动的多项式方程;再以高精度地图中的车道线曲率作为约束,筛选出一条最优的预测轨迹。实车实验结果表明,在车道保持、换道和转弯3种基本行为下,车辆在4 s内的轨迹平均预测误差分别为:0.52,0.51和1.03 m,较CTRA模型预测误差分别减小了1.81,4.48和5.49 m,单个车辆轨迹预测平均耗时为0.103 ms,验证了本文中所提方法的有效性、准确性和实时性。     

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.      

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%。