基于概率融合的车辆意图识别与轨迹预测方法

传统的轨迹预测机动模型需要识别车辆所在场景和驾驶意图等因素;选择相应的轨迹预测模型。然而;该框架在场景复杂或驾驶意图不明确时;其识别误差可能会传递至轨迹预测模型;影响预测精度。因此;本文提出一种概率融合的方法;并引入概率校准技术;通过意图识别预测概率融合多种车辆轨迹预测模型的结果;弥补机动模型框架中意图识别误差对轨迹预测精度的影响。首先;以目标车辆和周围车辆的历史轨迹为基础;提取输入输出模块;其次;采用XGBoost(eXtremeGradientBoosting)算法进行意图识别和意图概率预测;为每种识别出的意图分别构建三层门控循环单元(GatedRecurrentUnit,GRU)轨迹预测模型;并使用普拉特缩放和保序回归两种方法进行概率校准;基于概率校准和轨迹预测的结果实现概率融合;最后;使用CQSkyEyeX数据集训练和验证模型。实验结果表明:基于普拉特缩放和概率融合的组合模型在各项评估指标上均优于其他模型;当使用4s的时间窗口和2s的预测步长时;该模型的平均绝对误差(Mean Absolute Error, MAE)为0.87 m;与未使用概率融合的模型(1.32 m)相比;误差降低了34%;与仅采用加权融合的模型(1.18m)相比;误差降低了26%。