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。     

Drivers of transit service loyalty considering heterogeneity between user segments

Users’ loyalty to public transit service is fundamental to promote its popularity in the transportation market. A four-step analytical framework is advanced to investigate the importance of service attributes that heterogeneous transit user segments place on their public transit service loyalty, measured in terms of overall satisfaction and re-use intention. Critical service attributes perceived by transit users that are relevant for loyalty enhancement are explicitly determined, which vary between user segments. It is suggested that the design of strategies aimed to promote the use of public transit by increasing user loyalty towards transit service be targeted at specific attributes that contribute most to loyalty and specific user segments whose original loyalty level is significantly different to others.     

网联车辆并线预测与巡航控制的研究

为检测旁车道车辆驾驶员的并线意图,提升网联车辆巡航跟车的主动安全性,提出了一种基于NAR神经网络学习的迭代循环预测算法。NAR神经网络的训练样本由实际交通环境中的车辆并线数据获得,通过训练的网络预测未来一段时间内旁车的横向行驶轨迹,并根据划定的监控区域计算旁车的切入概率。同时,提出了一种考虑并线概率的跟车距离策略,并应用到网联车辆CACC系统中。结果表明,所提出的并线预测算法能精确计算出旁车的横向换道轨迹,所提出的跟车策略可提升车辆的跟车安全性。     

基于安全库存管理的钢板采购订单优化

为合理安排钢板采购，有效降低库存占用，开展基于安全库存管理的钢板采购订单（Purchase Order，PO）优化研究。基于钢板采购流程和采购目标，分析钢板安全库存影响因素。根据钢板管理业务流程，阐述钢板安全库存管理流程，对钢板PO进行优化，帮助船厂更好地实现钢板管理。     

工程管理中索赔的探讨

对于施工企业在施工项目管理过程中出现的一些误区,了解掌握施工企业索赔的基本原则。从工程项目管理的角度,来研究如何做好施工索赔和施工企业索赔的具体操作步骤,指出了处理好施工索赔的具体方法和措施,并且表明了施工单位进行施工索赔的必要性,它是施工企业保障自身利益的重要手段。     

基于驾驶员意图识别的纯电动汽车动力性驱动控制策略

为了解决纯电动汽车动力性和操控性难以同时兼顾的问题,将驾驶员意图分为稳态意图和动态意图,稳态意图用于保证车辆的操控性,动态意图用于保证车辆的动力性,在此基础上提出了一种基于驾驶员意图识别的纯电动汽车动力性驱动控制策略,该策略首先分别采用“典型工作点+分段插值”和模糊推理方法来识别驾驶员的稳态和动态意图;接着采用“动态补偿转矩保持”和“动态补偿转矩归零”等算法计算动态补偿转矩;最后通过“增量式”动态补偿转矩跟踪算法和电机过载管理算法给出最终的转矩指令。仿真与试验结果表明,该策略既可以根据驾驶员稳态意图保证车辆的操控性,也可根据驾驶员动态意图提高车辆的动力性。     

海战场对敌战术意图序贯识别技术研究

对战场上出现的大量目标隐含的战术意图的正确、快速、自动识别，能大大提高战场指挥人员的决策效率。以战场态势估计为基础，提出战术意图识别的框架模型；结合最大近似法、D—S证据理论用于战术意图序贯识别的不同阶段。该研究属于决策级数据融合的范畴。     

高密度瓶颈交通流主动-回应汇入行为定义与建模

汇入行为是导致高速公路、快速路汇入区瓶颈失效的根本原因,也是引发车辆冲突、交通事故的重要诱因。基于上海虹许路汇入区高精度轨迹数据,在经典的3类汇入行为(自由、协作、压迫)分类基础上发现并定义了一类新的汇入行为:主动-回应汇入,即在目标车道插车间隙不足的条件下,汇入车辆通过横向偏移主动表达汇入意图,引发后车合作让行,从而实现汇入。由于传统的换道类型划分方法已不适用于描述瓶颈区汇入过程的复杂交互现象,因此根据汇入车辆的横向位置将汇入过程划分为4个时段,以目标车道后车让行的时段不同对4类汇入行为进行了重新划分。基于此对虹许路汇入区轨迹数据中的汇入行为进行分类,并比较主动-回应汇入行为与经典的3类汇入在汇入位置与汇入间隙变化分布的差异。进一步,采用风险空间理论判断目标车道间隙的可汇入程度,并结合混合高斯-隐马尔可夫模型实现对后车的让行意图识别,建立了主动-回应汇入模型。最后构建了瓶颈交通流仿真原型系统以验证模型有效性。结果表明:在宏观交通流层面,主动-回应汇入行为在汇入位置、速度和间隙的分布上与实证数据一致,均值没有显著差异;在个体行为层面,也能再现定义描述的"主动试探-两车博弈-回应让行"的过程。该研究成果对解析瓶颈交通流早发性失效机理、揭示汇入风险变化过程以及设计符合人类驾驶人交互特征的自动驾驶汇入策略均具有重要的指导意义。     

基于驾驶人转向意图的双电机驱动电动汽车稳定性控制策略

为了使双电机驱动电动车在车辆稳定性控制过程中能够精确解读驾驶意图,使车辆实际行驶状态与驾驶意图期望的车辆行驶状态尽可能相符合,提出一种基于驾驶人意图辨识的稳定性控制策略.利用基于支持向量机递归特征消除(SVM-RFE)得到的特征参数构建基于长短期记忆(LSTM)模型的驾驶人转向意图辨识模型;基于转向意图识别结果,以方向...     

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.