基于长短期记忆网络的驾驶意图识别方法

为了使高级驾驶员辅助系统能够更好的工作,进而提高其安全性和舒适性,提出一种基于长短期记忆(Long Short-term Memory,LSTM)网络的驾驶意图识别方法,能够较为准确地识别目标车辆的驾驶意图。该方法将踏板开度和踏板开度变化率输入意图识别网络,并在意图识别网络中引入灰狼优化算法(Grey Wolf Optimizer,GWO)对网络参数进行优化,提高驾驶意图识别性能。为了验证该方法的准确性,基于数据集训练并评估模型,结果表明:所提方法对加速和制动意图识别的准确率、召回率和Flmacro分数分别为0.981、0.983和0.982,均优于支持向量机(SVM)和普通的LSTM模型。