基于结构化道路的车辆多模态轨迹预测方法

车辆轨迹预测是自动驾驶系统的核心功能之一,是下游决策规划模块做出安全有效的驾驶行为的重要基础。为实现结构化道路场景下自动驾驶汽车对周围车辆长时域准确轨迹预测,在轨迹预测经典模型VectorNet的基础上,提出了一种分层交互的车辆多模态轨迹预测方法S-VectorNet。首先,引入门控循环单元(Gated Recurrent Unit, GRU)编码历史轨迹信息和地图信息,提升了编码特征的时间表征能力;其次,构建了一种基于注意力块和图神经网络(Graph Neural Networks, GNN)的双层交互模型对交通主体(包括目标车辆和周围交通主体)与地图间、交通主体相互间的交互作用建模,实现了更好的长程动态交互建模能力;然后,提出了一种随时间动态更新的场景表示模块,通过多头注意力机制和时间序列模型捕捉个体运动状态和交互的时间相关性,使模型学习到丰富的场景记忆信息;最后,在多模态轨迹生成方面使用两阶段轨迹生成方法,提高了模型对预测端点的捕捉能力。在公开数据集Argoverse上进行的试验表明：S-VectorNet在验证集上较基准模型最小平均位移误差降低12%,最小最终位移误差降低22%;在测试集上最小平均位移误差为0.83 m,最小最终位移误差为1.23 m,与现有其他轨迹预测模型相比综合性能优势明显。     

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。     

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。     

基于车辆动力学混合模型的智能汽车轨迹跟踪控制方法

基于机理分析的车辆动力学建模过程通常进行简化及假设,无法准确计算实际车辆在不同道路条件下的动力学变化,进而导致智能汽车轨迹跟踪控制精度低、不稳定等问题。鉴于此,本文中提出了一种基于混合建模技术的非线性建模与控制方法,构建机理分析-数据驱动的车辆动力学串联混合模型,车辆状态与控制数据经机理模型实现计算处理,级联合并后作为数据驱动模块的输入,长短时记忆网络作为主干网络实现时序数据的非线性关联特征提取和最终的模型输出计算。测试结果表明,该模型可以补充计算机理模型中的部分未建模动态并提高模型计算精度,且具有隐式理解不同路面附着条件的能力。其次,使用Euler积分完成对预测模型的离散化并设计模型预测控制轨迹跟踪算法,设计前馈反馈控制算法在实现车辆的纵向控制的同时提供横向控制中预测模型所需的外部输入,最终实现更符合实际行驶环境且更精准的轨迹跟踪控制效果。CarSim/Simulink联合仿真结果表明,该方法实现了不同道路附着系数下控制量精确输出,同步提升了智能汽车轨迹跟踪控制精度和稳定性,具有良好的横纵向协调控制效果。     

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...     

基于车辆轨迹预测对抗性攻击与鲁棒性研究

针对常规车辆轨迹预测数据集中较少包含极端交通场景信息的问题,本文提出一种新型对抗性攻击框架来模拟此类场景.首先,为了判定不同场景中对抗性攻击是否有效提出了一种阈值判定的方式;然后,针对攻击目的的不同分别设计了两种对抗性轨迹生成算法,在遵守物理约束和隐蔽性前提下,生成更具对抗性的轨迹样本;此外,提出3个新的评价指标全面评估攻击效果;最后,探究了不同的防御策略来减轻对抗攻击影响.实验结果显示,基于扰动阈值的快速攻击算法(attack algorithm based on perturbation threshold for fast attack,PTFA)和基于动态学习率调整的攻击算法(attack algorithm based on dynamic learning rate adjustment,DLRA)在NGSIM数据集上的攻击时间和扰动效果均优于现有算法,更高效发现模型弱点.本研究通过模拟极端情况丰富了轨迹样本,深入评估了模型鲁棒性,为后续优化奠定了基础.     

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。     

前车失稳工况下侧滑车辆轨迹预测研究

为解决自动驾驶汽车在高速工况下前车失稳侧滑的紧急避撞问题,文章提出前方侧滑车辆状态识别和前方侧滑车辆轨迹预测的研究方法。通过提取出前方车辆发生危险性侧滑的关键特征来搭建前车侧滑识别模型,结合所提取的侧滑特征指标设计了前方车辆侧滑识别策略,判断前方车辆侧滑状态。选取前方侧滑车辆的状态量建立恒定转率和加速度模型,短时预测前方侧滑车辆轨迹。考虑到模型的简化假设和传感器感知信息过程中存在噪声,使用无迹卡尔曼滤波处理轨迹预测过程中的不确定性,计算前方侧滑车辆可能出现的位置和协方差,估计前方侧滑车辆在概率为0.9的条件下未来可能出现的区域。通过所建立的CarSim和Simulink联合仿真平台,在高速低附工况下,验证了前车侧滑状态识别策略有效性和侧滑车辆轨迹预测的精度。     

基于改进LSTM的车辆轨迹预测模型

道路车辆行为的准确预测对于提升道路安全、优化交通流量以及实现自动驾驶具有重要意义。文章提出的车辆轨迹预测模型使用长短时记忆（LSTM）编码器和解码器,为了进一步提高预测精度,在模型中引入3D卷积,以更好地捕捉不同车辆间动态变化的交互影响,建立了3D-LSTM模型。与CS-LSTM模型相比,在模型输入上增加了速度和加速度。该模型能够综合考虑目标车辆历史状态以及周围车辆动态信息,实现对轨迹的准确预测。文章使用NGSIM数据集来对模型进行评估,模型的均方根误差（RMSE）与CS-LSTM模型相比,1到5s分别降低了26%、15.5%、12.6%、11.4%和10.2%,仿真结果表明,模型可以显著提高轨迹预测精度。     

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...     

融合前车轨迹预测的改进人工势场轨迹规划研究

人工势场算法在移动场景中的避撞路径规划很少考虑其与前车未来轨迹的时序耦合影响,基本将每个规划周期内的前车视为静态,通过不同规划周期滚动更新的方式进行准动态路径规划,导致规划路径不够合理、一致性差.本文针对性提出通过时序耦合关联,将前车预测轨迹融入智能汽车路径规划过程.首先构建了改进人工势场算法的引力场及斥力场模型,提出...     

基于模型预测的智能汽车轨迹跟踪控制

针对智能驾驶汽车轨迹跟踪问题,本文验证在五次多项式工况下,模型预测控制的轨迹跟踪效果。本文建立车辆运动学模型,为了便于建立基于模型预测的轨迹跟踪控制器,将所建立的非线性车辆运动学模型线性化,再通过向前欧拉法将系统离散化,得到基于线性时变的预测模型。为了使汽车可以快速且平稳地跟踪目标轨迹,建立包含系统状态量和控制增量的目标函数。最后在Matlab/Simulink中对设计的轨迹跟踪器在五次多项式工况下进行测试,与前轮反馈控制（Stanley）对比,验证此工况下所建立的基于模型预测控制的轨迹跟踪器与Stanley控制相比,可以更准确地跟踪期望轨迹。     

智能车辆动态避障轨迹预测与跟踪控制

为解决智能车辆动态避障路径预测及跟踪问题,文章对动态障碍进行建模并基于三角形面积法引入避障约束,设计代价函数以满足最优预测轨迹输出,同时设计引入侧翻约束的非线性模型预测控制器进行在线最优路径跟踪。通过Matlab进行基于结构化道路下的避障轨迹预测与跟踪控制仿真,仿真试验得出控制车辆在满足避障约束等条件下,可以实现换道超车并到达指定目标点,且加速度变化率（jerk）值小舒适性好。试验结果表明,预测轨迹理想、控制器准确性高且具有一定的鲁棒性。     

基于MPC的无人驾驶汽车轨迹控制研究

为更好地实现对无人驾驶汽车行驶路径的跟踪修正,基于模型预测算法控制车辆的车速和横摆角。通过建立车辆运动学模型、制定目标函数、确定约束条件,设计出了轨迹跟踪控制器。并通过Matlab/Simulink、CarSim软件搭建模型预测控制算法。结果显示,在预定工况下,车辆参考路径和实际行驶误差较小,并有较好的横向稳定性。结果表明该算法能在一定程度能保证无人驾驶汽车的安全性,为智能车辆控制提供了基础。     

基于路面附着系数估计的车辆轨迹跟踪控制

针对车辆在高速转向和不同路面附着系数下的轨迹跟踪控制问题,基于模型预测控制理论提出了一种考虑路面附着系数的变侧偏角约束MPC控制策略。根据魔术公式轮胎模型分析轮胎的侧偏特性以及不同附着系数对轮胎侧偏角-侧向力线性区的影响,建立轮胎侧偏角约束与不同路面附着系数的函数关系;采用遗传算法（GA）优化BP神经网络模型设计路面附着系数估计器,将估计结果作为与轮胎侧偏角约束相关的变量传递到MPC控制器中;最后在MPC控制器中建立系统控制量约束、控制增量约束,以及考虑路面附着系数的变侧偏角约束,将不同路面附着系数工况下的轨迹跟踪问题转化为多约束条件下最优值求解问题,实现轨迹跟踪和车辆稳定性控制。仿真和试验结果表明,考虑路面附着系数变化的MPC控制方法相对传统MPC控制方法在各种工况下具有更高的轨迹跟踪精度和更好的车辆稳定性,GA-BP神经网络路面系数估计方法具有很高的估计精度。     

基于图卷积神经网络和注意力机制的车辆轨迹预测方法

针对现有车辆轨迹预测方法在处理复杂交通环境和多车辆交互时存在精度不足和适应性差的问题,文章提出一种基于图卷积神经网络（GCN）和注意力机制的车辆轨迹预测方法。首先使用长短时记忆网络（LSTM）对车辆的历史轨迹进行初步编码;再引入GCN建模车辆之间的空间关系和交互影响,对车辆特征进行更新;然后通过多头自注意力机制进一步捕获车辆之间的全局交互信息;最后通过残差解码器生成未来的轨迹预测。实验结果表明,文章提出的模型在Argoverse数据集表现出优越的车辆轨迹预测能力。     

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...     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题,设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型,以横向位置偏差最小为主要控制目标,考虑车辆状态约束、控制约束和轮胎侧偏角约束,优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型,并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析,结果表明,所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题,且在安全性、转向稳定性和操作可行性方面具有显著的优势。