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。

一种轻量级多模态车辆轨迹预测算法

针对自动驾驶汽车车载嵌入式计算平台存储和计算资源有限、车辆未来轨迹具有不确定性、周围环境信息复杂多变的问题,提出了一种基于MobileNeXt搭建的轻量级多模态车辆轨迹预测算法(CAM-MobileNeXt)。首先,利用MobileNeXt轻量级框架,构建了参数量和计算量均较少的车辆轨迹预测模型;其次,通过将单模态轨迹预测调整为多模态轨迹预测,以预测目标车辆可能存在的多条未来轨迹;最后,引入注意力机制,使其具备从众多输入信息中筛选出重要信息的能力,从而高效分配有限的存储和计算资源。在L5级别自动驾驶车辆轨迹数据集Lyft上开展轨迹预测实验,结果表明:所提算法具备较低的参数量和计算量,预测性能优于Lyft基线方法ResNet50;与MobileNeXt相比,所提算法在Lyft数据集上的损失值降低了11.9%,最终位移误差降低了7.4%,平均位移误差降低了11.4%。所提算法适合部署在自动驾驶汽车的车载嵌入式计算平台上,在对自动驾驶汽车的周围车辆进行准确多模态轨迹预测,以保证自动驾驶汽车安全行驶方面具有良好的应用前景。

基于门控循环单元和Transformer的车辆轨迹预测方法

为增强自动驾驶车辆对动态环境的理解能力及其道路行驶安全性,提出基于门控循环单元(GRU)和Transformer的车辆轨迹预测模型STGTF,使用GRU提取车辆的历史轨迹特征,通过双层多头注意力(MHA)机制提取车辆的时空交互特征,生成预测轨迹。试验结果表明,预测结果的均方根误差(RMSE)平均降低7.3%,STGTF在短期预测和长期预测方面均有不同程度的提升,验证了模型的有效性。

基于Transformer模型的车辆轨迹预测

准确预测车辆轨迹可以保障自动驾驶车辆行驶安全,针对已有方法对长序列轨迹建模预测能力有限的问题,本文提出一种基于Transformer网络的车辆轨迹预测模型。将车辆的运动数据与交互数据输入驾驶意图预测模块生成概率意图向量,通过Concatenate函数与轨迹信息拼接后输入轨迹预测编码器,利用多头注意力机制充分提取轨迹特征,经解码器得到未来时刻的车辆轨迹分布。在车辆轨迹真实数据集NGSIM上进行验证,结果表明:在2 s预判时间下,驾驶意图预测模块准确率可达到85%以上;在4 s的预测时域下,轨迹预测模型相较于已有模型,其RMSE降低均达到10%以上。本文提出方法为自动驾驶车辆准确预测轨迹提供技术支持。

基于迁移学习的高速公路交织区车辆轨迹预测

高速公路交织区复杂场景下的车辆轨迹预测对智能汽车的决策与控制具有重要意义.为应对交织区复杂交通流带来的轨迹预测实时性与精确性等挑战,提出一种基于迁移学习的车辆轨迹预测方法,利用已有的高速公路直线段轨迹预测模型进行迁移学习训练,从而实现在交织区场景中更快速精准地轨迹预测.使用NGSIM(next generation simulation)数据集中的交织区轨迹数据,采用长短时记忆神经网络模型,在已充分训练的高速公路直线段模型基础上对交织区进行迁移学习,并采用时间序列滚动预测法逐帧精准预测轨迹.实验结果表明,横向和纵向行为预测准确率可达98.35%和93.01%,轨迹预测值的均方根误差为2.04 cm.交织区迁移学习能够缩短61.1%的模型训练时间,同时提高预测准确率和模型泛化能力.

考虑右转车干扰的信号交叉口直行车辆轨迹预测

相交道路右转车辆干扰下的直行车辆轨迹扰动现象成为城市道路信号交叉口交通运行的安全隐患,为提高直行车驾驶人对驶入右转车辆的应对能力并做出正确决策,对于直行车辆扰动轨迹的可靠预测至关重要。研究通过将不同状态下的直行车辆轨迹分布特征与相交道路右转车运行信息相关联,在车辆受扰轨迹识别的基础上将碰撞时间(TTC)指标作为输入层加入模型,构建了3层高斯混合-输入输出隐马尔可夫模型(GMM-IOHMM),提出了一种考虑信号交叉口被交道路右转车对本面直行车作用程度的直行车辆受扰轨迹预测方法。实验结果表明:改进模型相比于传统的隐马尔可夫模型(HMM)在模型训练时能够更好地拟合实际的轨迹数据,且相比于传统的时间序列模型,GMM-IOHMM模型的拟合效果取得较大提升;可将TTC≤4.5 s且偏航角大于2.35°作为直行车辆轨迹扰动的判别标准。轨迹预测结果能够更加准确地判断直行车辆与周围车辆发生冲突的可能性,可作为受扰直行车及同行其他车辆辅助驾驶系统设计的重要依据。

基于时空图注意力卷积神经网络的车辆轨迹预测

车辆轨迹预测是交通管理、智能汽车和自动驾驶等领域的一项关键技术。准确预测车辆轨迹,有利于汽车安全行驶。城市交通场景中,车辆轨迹数据的时空特征复杂多变。为充分获取数据中的动态时空相关性,提高轨迹预测精度,同时降低模型复杂度,提出了时空图注意力卷积神经网络模型(Spatial-Temporal Graph Attention Convolutional Network,STGACN)。该模型首先通过轨迹信息嵌入模块对车辆历史轨迹数据进行时空图转换,然后通过时空卷积块及其堆叠完成轨迹数据的时序特征和空间特征的提取与融合,最终由门控递归单元完成编码与解码工作,得到预测轨迹。模型采用由膨胀因果卷积和门控单元组成的门控卷积网络提取时序特征,避免了循环神经网络带来的冗余迭代,使得模型参数更少,轨迹预测推理速度更快;时空卷积块组的时空特征融合工作使模型关注到更丰富的场景特征,提高了预测精度。在真实轨迹数据集Argoverse和NGSIM上进行实验,结果表明STGACN模型与基线模型相比,具有更高的预测精度和效率。

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明:相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。

智能驾驶车辆轨迹预测方法综述

针对目前车辆轨迹预测难点,对车辆轨迹预测方法的分类和研究现状进行综述。根据模型实现预测时域的不同,将现有算法分为短时域和长时域的车辆轨迹预测方法;介绍短时域的基于物理模型和传统机器学习预测方法的基本概念及研究现状,总结对比长时域的基于深度学习、神经网络和基于车辆驾驶行为意图识别的预测方法。分析结果表明:长时域方法能够解决车辆轨迹预测难点问题,保证智能车辆高效、安全驾驶。

基于Attention机制和递归思想的LSTM车辆轨迹预测

针对现有车辆轨迹预测模型在长时预测方面准确性不足的问题,基于Attention机制和递归思想的长短时记忆网络(long short-term memory, LSTM)构建了一种新型的车辆轨迹预测模型,即ATT-LSTM(RE)模型,使用编码器–解码器架构更精确地预测车辆未来的行驶轨迹。研究结果表明,模型意图识别的准确率为91.7%,F1分数、召回率、精确率均在0.872~0.977之间;1 s、2 s、3 s、4 s、5 s的终点轨迹预测的均方根误差为0.52 m、1.07 m、1.69 m、2.58 m、3.31 m,优于同类型模型。

基于深度学习的智能车辆轨迹预测综述

为了全面了解基于深度学习的智能车辆轨迹预测研究方法和现状,通过对现有文献进行分析和总结,分析了基于深度学习的轨迹预测模型的输入表示、输出类型和预测方法。结果表明,基于深度学习的轨迹预测方法在长时域、多模态运动及车路交互场景中能够取得优异表现。

基于车辆轨迹预测的节能无人机辅助车辆通信系统设计

文章研究无人机辅助车辆通信系统,目标是通过优化无人机的飞行轨迹,最大化无人机的能量效率(通信吞吐量与无人机飞行总能耗的比率)。为此,根据通信模型和无人机飞行能量损耗模型建立无人机能量效率模型,利用车辆短期轨迹预测模型和长期轨迹预测模型相结合的方式获得行进车辆在整个行程内的预测轨迹,并基于预测轨迹提出一种新的无人机飞行轨迹优化方法,以实现无人机在飞行过程中的能量效率最大化。

基于注意力机制的车辆轨迹预测模型

对于自动驾驶系统而言,准确预测车辆轨迹是提高道路安全性和驾驶舒适性的关键。基于长短时记忆网络(LSTM)和注意力机制,文章提出了一种改进的车辆轨迹预测模型。通过引入时空注意力机制,该模型能够自适应地聚合车辆历史轨迹和周围环境信息,从而更准确地预测未来轨迹。实验结果显示,与传统LSTM模型相比,该模型在所有预测时间点上均显示出更低的根均方误差,且其性能提升在长期预测任务中更为显著。这证实了注意力机制在处理车辆轨迹预测长期依赖问题上的有效性。

基于图模型和注意力机制的车辆轨迹预测方法

为提高结构化道路场景下车辆轨迹预测准确度,提出一种基于图模型和注意力机制的多模态轨迹预测方法(GA-MTP)。构建车道图和车交互图,实现道路环境特征、车辆运动特征和车辆间交互特征建模;通过堆叠的注意力模块完成环境-车辆特征融合,统一交通场景静态特征和动态特征;由两分支解码网络模块得出最终轨迹预测和相应概率。在Argoverse数据集进行模型训练和测试,并进行结果分析。实验结果表明,新方法在结构化交通场景的车辆轨迹预测中取得优异的效果,预测准确程度优于当前主流方法。

混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测,本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先,通过特征筛选和历史轨迹序列标注建立轨迹预测数据集;其次,构建长短时记忆网络的编码器-解码器模型,编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量,解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹;最后,采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明:本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性,5 s的终点位移误差在2.7 m以内;并且模型在稀疏采样后的数据集上达到更高的预测准确率,5 s的位移误差在1.3 m以内。

融合车辆轨迹预测的学习型自动驾驶决策

在考虑车辆未来轨迹的基础上,利用强化学习来实现在复杂场景下的驾驶决策问题。基于图结构和长短时记忆(LSTM)网络搭建周围车辆长期交互的轨迹预测模型,利用Rainbow DQN算法构建行为决策模型。在该模型中,状态空间包括当前时刻自车及旁车信息和未来的轨迹预测信息;从安全性、舒适性、行车效率等角度设计对应的奖励函数,并设定安全规则提高所选动作的安全性。结果表明:第5 s末车辆轨迹预测纵向位置误差为1.54 m,横向位置误差为0.32 m,效果较为准确。因而,加入轨迹预测有利于提高自动驾驶汽车决策的安全性和通行效率。

车联网背景下的机动车辆轨迹预测模型

针对传统深度学习算法对长序列特征提取效果有限的问题,提出一种基于Transformer的机动车辆轨迹预测模型.将利用车联网技术获取的周围车辆位置、速度、加速度及工况数据作为模型输入,通过Transformer的自注意力层及全连接层的处理得到区域内机动车辆状态向量.卷积联合池化层将车辆状态信息特征进一步提炼,经解码器得到未来时刻的车辆轨迹分布.将模型部署在仿真环境,使用NGSIM数据集对模型进行验证分析.结果表明:该模型对机动车辆未来横向轨迹和纵向轨迹的预测准确率分别为97.4%和88.4%;与其他深度学习模型横向相比,预测值与真实值的均方根误差和交叉熵代价函数值均最小.该模型在提取车辆历史轨迹特征上效果显著,提高了轨迹预测的准确性.

基于行为识别和曲率约束的车辆轨迹预测方法研究

为对智能车周围环境中车辆的行驶轨迹做出合理、有效的预测,提出了一种基于行为识别和曲率约束的车辆轨迹预测方法。首先,接收感知得到的障碍物信息,结合高精度地图提供的车道线信息,对车辆进行行为识别;然后建立s-l坐标系,将车辆运动分解为沿车道线方向(纵向)的运动和垂直于车道线方向(横向)的运动,依据行为识别结果得到车辆在横、纵向运动的多项式方程;再以高精度地图中的车道线曲率作为约束,筛选出一条最优的预测轨迹。实车实验结果表明,在车道保持、换道和转弯3种基本行为下,车辆在4 s内的轨迹平均预测误差分别为:0.52,0.51和1.03 m,较CTRA模型预测误差分别减小了1.81,4.48和5.49 m,单个车辆轨迹预测平均耗时为0.103 ms,验证了本文中所提方法的有效性、准确性和实时性。

基于车流特性和LSTM的长期车辆轨迹预测方案

由于车辆高速移动引发位置突变,深度学习模型难以学习预测函数,导致现有方案在长期预测中位置误差较大,对此提出了基于车流特性的长期车辆轨迹预测方案。通过分析城区场景中车流的聚集性和潮汐性,分析各个位置出现的频次,确定了不同位置相应的权重值;利用长短期记忆(long short-term memory,LSTM)网络的“记忆”特性,设计了基于LSTM的编码器-解码器预测模型,实现长期车辆轨迹预测。仿真实验结果表明,所提方案与消融实验方案对比,在工作日长期预测中的平均位置误差降低了1.4%,最终位置误差降低了1.1%,均方根误差降低了0.9%,且具有较好的泛化性。

融合坐标注意力与卷积社交池的车辆轨迹预测

针对车辆行驶受相邻车辆的影响,本文提出了一种特征增强的模型,在LSTM编码器-解码器架构上,使用卷积社交池提取一定范围内的车辆轨迹信息特征,再添加坐标注意力进行特征增强。使用NGSIM数据集实验结果表明,本文所提模型表现性能良好。相较于其他模型,5 s内在均方根误差指标上平均降低了14.10%、15.76%、17.49%、17.81%、17.20%。