轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.     

面向群体行驶场景的时空信息融合车辆轨迹预测

将车辆间时空交互信息融入卷积社会池化网络中,提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型;使用长短时记忆(LSTM)网络预测群体车辆速度,基于此预测值计算群体车辆间的速度差;构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征,设计卷积社会池化网络提取群体车辆间的空间依赖关系,使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹,将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果;使用真实轨迹数据集对所构建模型进行了参数标定和性能验证,测试了不同轨迹编解码与速度预测方法对模型性能的影响,确定了最优模型结构。计算结果表明：相较于历史速度,使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%;相较于门控循环神经网络,使用LSTM进行速度预测可将RMSE降低4.91%;相较于原始卷积社会池化网络,所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%,明显优于其他卷积社会池化网络变体;所提出模型与原始卷积社会池化网络计算耗时差距约3 ms,能够满足实时应用要求。     

混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测，本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先，通过特征筛选和历史轨迹序列标注建立轨迹预测数据集；其次，构建长短时记忆网络的编码器-解码器模型，编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量，解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹；最后，采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明：本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性，5 s的终点位移误差在2.7 m以内；并且模型在稀疏采样后的数据集上达到更高的预测准确率，5 s的位移误差在1.3 m以内。     

基于时空注意力卷积神经网络的交通流量预测

为充分挖掘交通流量的复杂时空动态相关性以提高交通流量预测精度,引入空间注意力机制与膨胀因果卷积神经网络,提出一种基于时空注意力卷积神经网络的交通流量预测模型（spatio-temporal attention convolutional neural network,STACNN）.首先,由膨胀因果卷积与门控单元构建的门控时间卷积网络模块用于获取交通流量的非线性时间动态相关性,避免在训练长时间序列时发生梯度消失或梯度爆炸;其次,采用空间注意力机制为路网中的交通传感器节点自动分配注意力权重,动态关注不相邻节点之间的空间关系,并结合图卷积神经网络提取路网的局部空间动态相关性特征;然后,通过全连接层获取最终的交通流量预测结果;最后,利用高速公路交通数据集PEMSD4、PEMSD8进行了60 min的交通流量预测实验.实验结果表明：与基线模型中具有良好性能的时空图卷积网络（spatio-temporal graph convolutional network,STGCN）模型相比,提出的STACNN模型预测结果的平均绝对误差（mean absolute error,MAE）在两个数据集上分别提...     

基于多目标优化的智能车辆换道轨迹规划

为提高智能车辆换道轨迹规划的拟人性和实时性,提出了安全、舒适、节能等多目标协同优化的换道轨迹规划算法,该轨迹规划方法的适应性取决于车辆换道时间、纵横向速度及加速度等关键变量的约束条件;基于车辆运动学和动力学理论,分析了动态未知环境下车辆换道安全区域,建立了六次多项式车辆理想换道轨迹模型,并运用遗传算法-BP神经网络理论对换道终止时刻及目标位置进行预测,得到了复杂场景下车辆换道轨迹簇;分析了基于可行解空间的车辆换道安全性、舒适性、经济性等性能评价函数,构建了多性能目标协同优化目标函数和约束条件,运用鲸鱼优化算法对换道轨迹簇进行优化,实现多性能目标协同的智能车辆换道轨迹最优规划;为进一步验证多目标优化轨迹规划算法的准确性,运用L3级智能车辆测试平台对结构化道路场景下多目标优化换道轨迹规划算法进行了试验验证。仿真和试验结果表明：提出的轨迹规划算法在满足各项约束的情况下可成功实现平稳、安全换道,并且与传统驾驶人换道相比,换道过程的安全性、舒适性及多目标综合性能分别提升了5.1%、3.3%和1.7%,有效提升了动态环境下智能车辆换道轨迹规划的拟人性。     

考虑智能网联近邻车辆信息的交织区换道风险预警

面向车辆换道风险预测时特征差异大、样本不均衡、参数调优时间久的问题，将高精度微观车辆轨迹数据与超参数优化机器学习方法相结合，提出了一种可应用于智能网联车辆(ICV)的交织区换道风险识别与预警方法；基于无人机航拍视频，从广域视角提取了城市快速路交织区时间精度为0.1 s、空间精度为每像素0.1 m的换道轨迹，测算了车辆间距、矢量速度、加速度、接近率、速度角度等换道风险感知信息；引入考虑近邻车辆信息的换道TTC模型，以反映车辆汇入或汇出主线的迫切需求，描述其在不同位置的换道行为差异性；结合15分位数法和四分位差法，划分了换道风险预警等级；基于准确率、真阳性率、灵敏度等多项评价指标，遴选并对比了线性分类器、支持向量机、K近邻以及RUSBoost模型换道风险预测结果，得出交织区换道风险实时预警优选模型，针对优选模型进行了超参数优化与验证。研究结果表明：RUSBoost模型为优选模型；超参数优化机器学习方法迭代至第24次时，RUSBoost具有最小误差与最佳点超参数；RUSBoost、BRUSBoost优化模型预测准确率分别为91.40%、99.80%,AUC分别为0.96、0.99;BRUSB...     

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标：横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明：级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。     

基于CNN-GRU的船舶轨迹预测

针对现有基于CNN、GRU及CNN-LSTM的船舶轨迹预测模型精度不高、运行时间较长等问题,提出一种基于卷积神经网络(Convolutional Neural Networks, CNN)和门控循环单元(Gated Recurrent Unit, GRU)的船舶轨迹预测混合模型(CNN-GRU).构建了基于船舶AIS信息的船舶轨迹特征表达方法,以目标船舶连续4个时刻的轨迹特征值作为输入,以第5个时刻轨迹特征值作为输出,训练构建的CNN-GRU轨迹预测网络,对未来船舶轨迹进行预测,并与现有模型进行对比.实例验证表明：CNN-GRU模型的预测精度显著提升,经度误差不超过3×10^-5(°),纬度误差不超过5.5×10^-4(°),相较于CNN-LSTM模型,预测效率显著提高,运行时间减少19.1 s.     

城市连续隧道交织区主线交织车辆换道点选择行为研究

基于城市连续隧道交织区分析主线交织车辆换道点选择行为,以实地采集的车行轨迹数据为基础,利用随机森林模型分析主线车辆换道点选择行为特征及影响行为决策的影响因素,而后分别采用支持向量机模型与随机森林模型进行换道点选择行为决策建模和对比分析。研究结果表明：影响主线交织车辆换道点选择的主要因素为目标车辆状态以及本车道的后车状态,且经特征筛选之后建立换道决策模型的精度更高,其中支持向量机模型可以较好的刻画换道行为,模型的预测精度不低于85%。研究成果有助于在仿真模型中更准确描述换道点选择行为,同时为城市连续隧道交织区的优化和辅助驾驶策略制定提供支撑。     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题,提出基于环境车辆偏离车道程度识别运动模式的方法;构建动态环境车辆横纵向轨迹预测模型,并求解;构建保持、先行、避让在内的决策集,提出基于预测轨迹的单个车辆决策方法,并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11,0.29,0.80 m,预测精度较高;复杂动态环境下,本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

基于潜在特征的时空图卷积网络轨迹预测方法

为提高车辆轨迹预测精度,提出一种基于潜在特征的时空图卷积网络轨迹预测方法 CR-STGCN。首先,该方法特别添加了一个时间上更早、更长的历史轨迹作为输入,并基于该输入建立了潜在特征编码层。然后,CR-STGCN将该潜在特征编码层编码的潜在特征与时空图卷积编码的机动性与动力性特征拼接融合,并采用两层门控循环单元（Gate Recurrent Unit, GRU）解码出预测轨迹。最后,将采用时空图卷积编码和两层GRU解码的预测轨迹模型STGCN与CR-STGCN在NGSIM数据集上进行对比。结果表明,CR-STGCN在不同机动类型、交通密度场景下的预测精度均优于STGCN,证明了这一方法应用于车辆轨迹预测的有效性,为轨迹预测特征选取提供了新思路。     

结构化道路智能车辆换道轨迹规划

针对结构化道路的智能车辆自主换道轨迹规划,提出碰撞锥模型与鲸鱼优化算法相结合的轨迹规划方法。以换道车辆安全性和稳定性评价指标为优化目标,建立优化函数与约束条件,通过鲸鱼优化算法获得最优换道轨迹。结合模型预测控制方法,运用MATLAB/Simulink与CarSim进行算法验证。实验结果表明：文中方法实时性较强,在不同车速和转向轨迹下能够实现安全稳定换道。     

基于动态时空神经网络模型的地铁客流预测

针对城市轨道交通站点客流预测问题，本文提出一种基于注意力机制的动态时空神经网络(DSTNN)模型。模型采用多分支并行架构，能够有效提取地铁客流的复杂时空特征，在空间维度上，全局和局部注意力机制相结合，实现站点间动态时空关联和静态拓扑结构的捕捉；在时间维度上，使用双向长短时记忆和注意力机制共同学习客流数据的时变规律。在杭州地铁数据集上进行实验，结果表明：相较于经典预测模型和深度学习模型，DSTNN具有更高的预测精度和训练效率。在4种不同的预测时长下，DSTNN模型平均绝对误差的平均值较基线中扩散卷积循环神经网络模型(DCRNN)和物理虚拟结合图网络模型(PVCGN)分别降低6.63%和2.57%。此外，可视化分析证明了本模型对时空关联的动态学习能力，消融实验验证了各分支的有效性。     

基于多核自适应网络的高速公路交通流预测方法

针对高速公路各路段交通流信息差异较大这一现象,为提高交通流预测准确率,将注意力机制引入卷积神经网络,建立描述交通流时空关联特征的多核自适应网络(Multi-Kernel Adaptive Network,MKAN).首先对输入的历史交通流数据进行多分支卷积,获得不同尺度的交通流特征;然后根据输入信息自适应调整各卷积分支...     

基于驾驶人决策机制的换道意图识别模型

依据驾驶人换道决策的产生机制,提出速度期望满足度、危险感知系数和换道 可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明： 量化指标与换道决策存在不同程度的相关性;同时在换道初期、车道保持及过渡状态阶 段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数, 建立基于模糊神经网络的驾驶人换道意图识别模型,进行驾驶人换道意图的识别.结果表 明,该模型在换道初期的预测准确率达到89.93%,虚警率为9.52%,优于以碰撞时间TTC 为输入指标的BP神经网络模型,以及以RV、RP、RS为变量的Logistic 模型,说明模型具 有较好的预测准确性.     

基于随机效用理论的城市道路车辆自由换道行为研究

为深入分析城市道路驾驶员换道行为的影响因素,基于大连市西南路路段的车辆运行轨迹 数据,引入随机效用理论,建立了城市道路车辆自由换道模型,并对模型进行了标定和验证,且 应用弹性理论定量分析了换道概率对不同因素的敏感度。结果表明,所建模型可以较好地预测车 辆的自由换道行为;驾驶员换道决策对本车与当前车道前方车辆之间的车头间距最为敏感;相对 于当前车道前方空隙的刺激,相邻车道驾驶环境的诱惑对驾驶员换道决策的影响较小,说明在前 方无不利刺激（狭小的驾驶空间或加速空间） 的情况下,驾驶员在行驶过程中倾向于保持在当前 车道。该研究结果可进一步应用于城市道路换道行为的微观仿真研究中,以提高其仿真精度。     

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。     

基于换道概率分布的多车道交织区元胞自动机模型

交织区是快速路系统的重要组成部分，由于车辆频繁换道、相互作用复杂，容易造成交通瓶颈。本文提取城市多车道交织区时间分辨率为0.1 s、空间分辨率为0.1 m·px-1 的高精度车辆轨迹，分析交织区及相邻路段的交通流和车辆行为特性，提出分区元胞自动机模型。在上游和下游换道模型中，建立基于速度差、车辆间距的换道动机规则、间距规则及Logistic换道概率规则。对于交织影响区，建立考虑速度、间距及路径转换需求的换道动机规则，根据安全风险构建换道时机的多步决策规则，提出基于换道频率Gaussian分布模型的换道概率规则，并对主要参数进行灵敏度仿真测试分析，模型具备评估交织区不同换道状态的实际应用潜力。仿真与实测显示，本文 模型流量、速度、密度及换道分布等特性与实际相符，能有效反映车辆在不同位置的换道需求与强度差异性，刻画多车道交织区复杂的换道行为。     

基于动态栅格与隐马尔科夫模型前车换道意图识别

针对前车换道意图识别预测问题,提出基于动态栅格地图与混合高斯隐马尔科夫模型结合的识别预测方法,建立以自车车头中心点为零点的动态栅格地图描述前车的位置信息,基于语义分割的方法获取前方车辆的轮廓特征与车道线,并分析前方障碍车辆的相关运动状态信息.将动态栅格地图与混合高斯隐马尔科夫模型相结合,识别预测前车换道行为.利用可观测...