基于时空融合LSTM网络的驾驶视角轨迹预测

自动驾驶环境感知系统的重要任务之一是对周围交通目标进行轨迹预测,其输出轨迹可为决策控制和路径规划提供所需目标信息.考虑传统轨迹预测方法一般基于俯视视角而难以满足自动驾驶车载感知的实际需求,提出一种基于长短时记忆(LSTM)网络模块、空间交互模块和时间行为注意力模块相融合的驾驶视角轨迹预测算法.为更好体现交通目标与周围环...     

基于视觉的驾驶人疲劳及注意力监测方法

对驾驶人疲劳状态监测技术进行了深入研究,分析了在实际应用中存在的问题,在此基础上提出基于灰度方差定位驾驶人面部,利用投影曲线极点位置分割面部器官独立区域,对每一个独立区域进行OSTU计算和轮廓提取,最终获得眼睛的轮廓状态,利用PERCLOS判断驾驶人的精神状态。利用驾驶人面部器官定位的结果,对人体头部旋转运动模型进行分析,提出了计算驾驶人面部旋转角度的计算方法。最后给出判断驾驶人的注意力是否分散的判断策略。试验结果表明,该算法实时性好,具有较好的鲁棒性,可以为驾驶人疲劳状态及注意力状态的判断提供较为准确的依据。     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题,受驾驶人注意力机制和现有端到端自动驾驶模型的启发,充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响,以连续多帧驾驶场景的RGB图像为输入,构建一种基于注意力机制的多模态自动驾驶行为预测模型,实现对方向盘转角和车速的准确预测。首先,通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像;其次,为剔除与驾驶行为决策无关信息,以神经科学和空间抑制理论为基础,设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度;为学习语义图像中与驾驶行为决策最为相关类别之间的关系,采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取;然后,以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合,采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递,进而实现下一帧驾驶场景对应驾驶行为的预测;最后,与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比,所提出模型的训练误差为0.021 2,预测准确率为86.97%,均方误差为0.031 5,其驾驶行为的预测性能优于其他模型;连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能;该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

基于多视图时空卷积的交通流量预测模型

交通流量预测一直是智能交通系统的首要任务。由于交通流量序列具有复杂的时空依赖性,使得对其准确预测变得极具挑战性。现有很多工作主要基于循环神经网络、图网络以及Transformer模型构建交通流量预测模型。考虑到卷积网络具有计算效率高以及特征提取能力强等优点,提出基于多视图时空卷积的交通流量预测模型。模型在输入编码层对序列数据进行表示学习,并引入了位置信息和时间信息。在时空特征表示学习层,考虑到序列具有不同的周期模式,设计了多个表示学习模块。每个时空表示学习模块,基于一维卷积完成局部时空特征挖掘,然后基于因果卷积实现全局时空特征挖掘。在预测层,引入通道注意力机制提升模型对时空特征利用的有效性。在2个真实交通数据集上的实验结果,验证了MSTC模型在交通流预测任务上的有效性。     

基于脑电信号分析的不同年龄驾驶人疲劳特性

为研究不同年龄驾驶人驾驶过程中疲劳情况及疲劳累积速度,对比其疲劳产生与变化的差异性,获取不同年龄驾驶人的最优驾驶时间,设计自然驾驶试验,利用Physio生理多导仪采集脑电数据,并采用主观检测方法对驾驶人进行问询。应用MATLAB对采集到的脑电数据进行降噪处理,通过积分获取各时段α波、β波和θ波的平均功率谱密度,进而求得脑电指标R_（α/β）,R_（θ/β）,R_{（α+θ）/β}。利用SPSS将其与驾驶时间进行单因素方差分析,并通过敏感性判断,选取R_{（α+θ）/β}作为驾驶疲劳表征指标。对各年龄段驾驶人的R_{（α+θ）/β}进行均值化处理,并将其与驾驶时间进行线性拟合,分析驾驶人年龄对驾驶疲劳累积速度的影响。对驾驶过程中各时段的R_{（α+θ）/β}进行配对样本t检验,并结合主观问询结果确定不同年龄驾驶人的最优驾驶时间。研究结果表明：青年和中年驾驶人在0~1.5 h内疲劳累积速度相对缓慢,老年驾驶人较快;在1.5~3 h内,青年驾驶人疲劳累积速度最快,中年驾驶人最慢;老、中、青年驾驶人的最优驾驶时间分别为60~75,120~135,105~120 min;不同年龄驾驶人其驾驶经验、体力和精力及外界环境干扰是影响疲劳累积速度的重要因素;试验结果验证了采用R_{（α+θ）/β}作为驾驶疲劳表征指标的有效性,有助于为不同年龄驾驶人安全驾驶时长的确定提供科学依据。     

基于交叉注意力机制的多模态感知融合方法

针对智能汽车道路目标检测任务中单一传感器感知能力有限、多传感器后融合处理复杂等问题,提出了一种基于Transformer交叉注意力机制的多模态感知融合方法。首先,利用交叉注意力机制能较好地融合多模态信息的优势,搭建了基于深度学习方式的端到端融合感知网络,用以接收视觉与点云检测网络的输出,并进行后融合处理。其次,对点云检测网络的三维目标信息进行高召回处理,与视觉图像检测器输出的道路目标信息一同作为网络的输入。最后,通过网络实现二维目标信息向三维信息的融合,输出对三维目标检测信息的修正,从而得到准确度更高的后融合检测信息。在KITTI公开数据集上的验证指标表明,通过所提融合方法引入二维检测信息后,相比较PointPillars、PointRCNN、PV-RCNN及CenterPoint四种基准方法,对车辆、骑行人、行人3种类别的综合平均提升分别为7.07%、2.82%、2.46%、1.60%。通过与基于规则的后融合方法对比,所提融合网络在行人和骑行人中等、困难样本检测上,分别有平均1.88%与4.90%的提升。进一步表明所提方法具有更强的适应性与泛化能力。最后,进行了实车试验平台的搭建及算...     

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...     

考虑驾驶人特性的智能驾驶路径跟踪算法

针对现有智能汽车路径跟踪控制过程中较少考虑驾驶人特性的问题,设计了一种考虑驾驶人特性的智能驾驶路径跟踪算法.采用k均值算法对实车试验获取的相关数据进行聚类分析,根据操纵特征参数的规律性和差异性将驾驶人特性分为正常型、激进型、保守型3类.根据驾驶人特性分类及聚类结果,将不同驾驶人对车辆侧向、纵向行驶状态的不同偏好特性融入...     

基于时空注意力机制的STA-GRU船舶轨迹预测方法

船舶轨迹预测的精度关系到船舶智能航行水平。针对门控循环单元（gated recurrent unit, GRU）提取船舶时空信息数据能力不足,导致轨迹预测精度不佳的问题,研究了基于时空注意力机制的GRU船舶轨迹预测方法（spatial-temporal attention mechanism-gated recurrent unit, STA-GRU）。将传统GRU中的激活函数改进为加权激活函数组,以保留更完整的船舶轨迹数据;引入空间注意力机制模块提取船舶空间位置信息的特征,以船舶经纬度及相对经纬度数据作为输入序列,计算对应的空间权重注意力因子,获得空间特征向量;再引入时间注意力机制模块挖掘观测时段内历史轨迹特征向量的时空依赖性,以历史轨迹数据中的航速、航向拼接空间特征向量作为输入序列,计算时空权重注意力因子,将获得的时空特征向量作为STA-GRU模型的训练数据集,用于船舶轨迹预测。采用青岛港AIS数据开展实验验证,以输入时长20 min,采样频率2 min作为输入条件,构建船舶航行轨迹数据集,结果表明：对比LSTM、AT-GRU、Bi-GRU算法,STA-GRU模型不仅在训练过程中收...     

基于图时空神经网络的多充电站负荷协同预测方法

针对传统充电站负荷预测方法只能实现对单一站点预测的问题,提出一种基于图时空神经网络 （Graph Spatiotemporal Neural Network, GSTNN） 模型的多充电站负荷协同预测方法。定义时空信息图,描述充电站负荷之间的时空关系;构建时空特征提取网络,分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息,并使用长短期记忆网络 （Long Short Term Memory Networks,LSTM） 挖掘影响负荷预测的外部特征信息;融合提取的所有特征,进行负荷预测。算例结果表明,基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响,协同多个充电站的负荷数据进行预测,并同时输出各充电站的预测结果,有效提高预测准确度,有助于电网稳定运行。     

基于驾驶人不满度的高速公路自动驾驶换道决策

为了实现高速公路的自由换道行为决策,并满足行车安全高效性、决策结果平稳无震荡、与运动规划模块结合引导车辆行驶等要求,提出了一种基于驾驶人不满度的换道行为决策方法。首先,根据驾驶人的速度期望建立了驾驶人不满度累积模型,并基于驾驶人速度不满累积度产生换道意图。其次,依据不同车道障碍车的运动状态,设计了2种目标车道选择策略,通过预测引擎对各个待选车道进行预测和评估,选取其中行车效率较高的车道作为目标车道,同时建立换道最小安全距离模型,用以在换道全过程中判断换道的可行性。然后,将换道行为决策的结果以目标车道的形式传递给基于改进人工势场的运动规划模块,用于运动规划模块目标的选取,以引导车辆横纵向运动。最后,在CarSim/PreScan/Simulink的联合仿真平台和硬件在环平台上建立多种测试场景,验证换道行为决策算法。试验结果表明：换道行为决策算法能够依据驾驶人速度不满累积度产生稳定的换道意图,进而根据所设计的换道策略选取具有更高行车效率的目标车道,并在换道过程中持续判断换道的可行性,以应对障碍车辆突然加减速等突发状况,保证换道过程的高效性和安全性;换道行为决策算法通过目标车道的转换,引导运动规划模块调整车辆的运动,实现跟车、换道等行为。     

融合预瞄与势场栅格法的紧急避撞驾驶人模型

紧急避障工况下的驾驶人操作具有响应快且动作幅值较大的特点,传统预瞄驾驶人模型已不能适应紧急避障工况的需求,故考虑实际避撞场景开发相应的驾驶人模型就显得尤为必要。针对此种状况,基于驾驶模拟器,结合紧急避撞工况实际驾驶人操纵数据,提出了一种融合预瞄与势场栅格法的紧急避撞驾驶人模型。首先针对紧急避撞工况下车辆运动特点,建立车辆横、纵向耦合非线性动力学模型,并给出其状态空间方程描述;其次,离线仿真分析紧急避撞系统特征,并结合线性二次型最优控制,建立最优曲率预瞄+跟踪误差反馈驾驶人模型;再者,基于紧急避撞工况下真实驾驶人经验转向行为数据,开发基于势场栅格法的驾驶人模型,为进一步提高驾驶人模型对避障行驶工况的适应性,将基于势场栅格法的驾驶人模型与最优曲率预瞄+跟踪误差反馈驾驶人模型进行融合,并基于Sigmoid函数实现两者输出的权重分配;最后,针对所提出的融合预瞄与势场栅格法的驾驶人模型,开展基于避撞台架的驾驶人在环仿真试验以及实车试验。研究结果表明：在紧急避撞工况下,对比最优曲率预瞄+跟踪误差反馈驾驶人模型,融合预瞄与势场栅格法的驾驶人模型输出的转向动作与实际驾驶人行为较为接近,可在保证避障安全性的前提下,兼顾避障路径跟踪精度与车辆行驶的稳定性。     

老年驾驶人的驾驶自我调节研究述评

随着社会人口老龄化的发展,老年驾驶人的占比逐年增加,提升老年人的驾驶安全性对于其安全自主出行和公共交通安全均具有重要意义。驾驶自我调节是老年驾驶人为适应身体、认知功能变化而对驾驶行为做出的主动调整,是其提升驾驶安全性、延长驾驶生命和维持自主行动能力的有效补偿策略。通过对已有关于老年驾驶人的驾驶自我调节研究进行系统回顾,介绍了老年驾驶人的驾驶自我调节行为的定义及其表现,归纳分析了其驾驶自我调节行为的影响因素及产生机制,在此基础上总结了现有研究的局限,并指出了未来进一步研究的主要思路和方向。对文献的梳理和分析表明：老年驾驶人的驾驶自我调节包括减少驾驶频率和回避具有挑战性的驾驶情境2种主要形式,并可分为策略性、战术性和生活目标性自我调节3种不同的层次水平;驾驶自我调节是一个复杂的过程,社会人口因素、生理健康和功能状况、心理因素等均可对其产生影响;驾驶自我调节的产生机制可以被概括为是个体从认知到态度改变,再到形成调节行为意向,直至最终发生驾驶行为改变的动态决策过程。未来对老年驾驶人的驾驶自我调节行为研究应更进一步将客观驾驶行为数据、医疗机构数据与驾驶人主观自我报告相结合,适当开展追踪研究,考察驾驶自我调节行为随年龄的发展变化趋势,深入探究驾驶自我调节的产生机制及其在降低事故发生和提升驾驶安全性方面的作用。     

多通路高分辨率网络与注意力机制融合的车辆检测模型

为改善道路交通监测和保证智能网联交通系统的安全、可靠与稳定运行,提出了在路侧边缘平台中基于多通路高分辨率网络与注意力机制融合的车辆检测模型MCHRANet。该模型采用多通路的高分辨率网络的结构设计,保留高分辨率特征并保障识别准确率。融入注意力机制的特征融合方法,通过特征连接权重自学习实现多尺度特征的深度融合。各通路网络采用跳跃连接促进跨层特征融合,加速网络收敛,并利用公开数据集对车辆检测性能进行评估并验证。结果表明：所提模型的车辆检测性能优于3个传统模型,改进后的网络识别平均精度均值（mAP）指标接近95%,且对于不同场景下的检测具有良好的鲁棒性。     

基于多源数据的车流量时空预测方法

为提高车流量的预测精度,本文中从外部特征、时间特征和空间特征的角度综合考虑了多因素对车流量的影响,提出了一种基于多源数据和时空预测的车流量预测方法.在外部特征方面,深入探索了日期、天气和兴趣点特征对车流量影响;在时间特征方面,提出了基于时间卷积网络(TCN)的时间序列预测框架,并以近邻周期和日周期为基线分别建立时间预测...     

基于多源数据融合的城市道路旅行时间预测

城市道路旅行时间预测是城市道路交通管理的重要支撑.研究了利用多源数据预测城市信号控制主干道旅行时间的方法.以2015年8月某路段的视频检测器及微波检测器的2种数据为基础,采用回归拟合的方法探究信号控制主干道路段旅行时间与断面流量之间的关系,2段式的线性拟合结果可以较好地拟合信号控制主干道路段旅行时间与断面流量的关系.以BP神经网络模型为基础,从输入层入手,采用直接输入2类数据、应用拟合关系输入拟合数据等方法,综合考虑2类数据之间的相关性,建立了融合2类检测数据进行旅行时间预测的多个模型,对7种不同输入的神经网络预测模型进行了测试、对比和分析.研究结果表明,相比于时间序列、支持向量机、k近邻和历史平均方法而言,应用拟合关系的2类数据融合的BP-2神经网络模型具有更高的预测精度,MA PE为13.04%,表明BP2神经网络模型能够实现较好的旅行时间预测效果.     

基于马尔可夫过程的驾驶员视觉注意力转移模型研究

为研究驾驶员在车辆驾驶时的视觉注意力的转移规律,构建了注意力转移模型.基于马尔可夫过程,在将驾驶员重点视觉域划分为主视区、左后视镜、右后视镜、正后视镜、仪表盘5个子域的基础上,构建了视觉注意力转移模型,并给出了模型的求解算法.最后结合实例验证了模型的可行性.     

驾驶人驾驶决策机制遵循最小作用量原理

为提升智能汽车的自主决策能力,使其能够学习人的决策智慧以适应复杂多变的道路交通环境,需要揭示驾驶人决策机制。首先通过对自然驾驶数据的分析,发现在车辆行驶过程中能够反映驾驶人决策行为的主要运动特征参数存在极值现象,而产生极值现象的内在动因是驾驶人遵循“趋利避害”的基本决策机制,即驾驶过程中驾驶人力图实现机动性和安全性综合性能最优。受自然界包括物理和生物行为上的众多极值现象遵循最小作用量原理的启发,提出驾驶人决策机制遵循最小作用量原理的假设。随后建立抽象描述驾驶过程的物理模型,并提出最小作用量决策模型（Least Action Decision-making Model,LADM）,通过与传统驾驶决策模型（经典跟车模型和换道模型）对比,分析结果显示LADM模型更具通用性。最后开展了实车试验,采集20名驾驶人在自由行驶、跟车行驶和邻车切入3种工况下的试验数据,分析计算并检验了不同驾驶人行车过程的理论最小作用量和实际作用量。试验结果表明：驾驶人在驾驶过程中的实际作用量与最小作用量之间无显著性差异,体现出驾驶人在行车过程中对安全和高效具有共性追求,验证了驾驶人决策机制遵循最小作用量原理。