网联与非网联环境下驾驶人换道意图识别研究

网联时代的到来必将改变驾驶人的注意力分配和环境感知能力，进而影响其认知与行为模式。此时，非网联环境中建立的换道意图模型是否继续适用于网联环境值得研究。因此，基于驾驶模拟器搭建了网联与非网联换道场景，对比分析了2种环境下驾驶人换道意图表征参数与换道意图识别模型。结果发现：网联环境下的换道意图时间窗口长度(6.6 s)比非网联环境(4.1 s)长了约60.98%。网联环境下，意图表征参数(车辆运动与驾驶人操作参数)波动幅度显著小于非网联环境。换道意图阶段，非网联环境下驾驶人的平均扫视速度、后视镜观看频次以及注视时间与网联环境下存在显著差异。模型对比发现，当提前0.5 s识别时，网联与非网联环境下的模型识别精度无明显差异，分别为98.25%和96.35%;当提前2 s识别时，网联环境下的模型识别精度(93.48%)显著高于非网联环境(85.68%);在提前3 s识别时，网联环境下的模型识别精度为92.23%,非网联环境下出现了训练不收敛的情况。综上可见，网联与非网联环境下驾驶人换道意图表征参数与模型识别精度存在较大的差异。此外，网联环境下驾驶人换道意图通过所提模型精确识别后利用网联通信方式发...     

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。