排序方式: 共有102条查询结果,搜索用时 0 毫秒
1.
1前言 规划识别领域关注的是某个规划自主体的意图的推断。早期的规划识别系统主要用于故事理解(wilensky1980)、回答问题(Pollack1986)和自然语言对话理解(Allen和Perrault1980),随后Kautz提出了规划识别的理论基础(Kautz1991)。传统上,被观察的规划如果能够与规划库中已有的规划相匹配,就认为被识别了。规划识别器的规划库中存储了许多规划自主体可以运作的规划。实时的规划识别系统(在规划执行的过程中进行识别)也关注着规划器的十分局部的意图,预测下一个规划中的动作就是对于规划器这种局部意图推断的例子。 相似文献
2.
3.
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... 相似文献
4.
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。 相似文献
5.
6.
7.
8.
戴着一顶白帽子的Fabia晶锐,凭借着迅捷的动力、灵巧的转弯以及艳丽的色彩,格外抢眼地游荡在城市之中,成为街巷里的"暴走族"。 相似文献
9.
10.