多模型融合的换道意图识别研究

快速准确识别出周围车辆的换道意图对高级自动驾驶辅助系统的决策支持和安全预防具有重要意义。针对现有方法未能充分考虑车辆之间的交互作用以及轨迹数据的前后依赖性问题,提出一种基于多模型融合的换道意图识别框架。该换道意图识别框架主要包括输入处理与换道意图识别两部分。输入处理部分对车辆轨迹数据进行清洗、贴标、切片以及one-hot编码。换道意图识别部分则具体提出BiLSTM-F(BiLSTM-fusion)模型,在该模型中将注意力机制(attention mechanism)引入双向长短期记忆网络(BiLSTM),对输入处理部分的输出信息进行权重划分,使模型能将注意力更加集中于对换道意图影响较大的特征信息上,最后引入条件随机场(conditional random field),充分学习输入数据的前后依赖性并快速找出全局最优的换道意图。实验中使用公开数据集NGSIM进行训练并评估,验证结果表明该模型的准确率最高能达到97.19%,并且可在车辆到达换道点前2 s识别车辆的换道意图,准确率为94.16%。与基线换道意图识别模型相比,所提出模型的准确率、损失、F1值和稳定性均优于基线模型。

基于Attention-BiLSTM网络的车辆换道意图识别

针对换道意图识别方法仅考虑车辆历史状态信息,未充分利用车辆连续性和时序性特征的问题,提出了一种基于Attention-BiLSTM网络的换道意图识别方法。首先,分析行驶车辆之间的交互行为,采用双向长短期记忆网络学习换道意图特征编码信息;其次,通过引入模拟人脑推理行为的注意力机制进行网络权重自适应分配,提高网络捕捉重要状态信息能力;最后,利用HighD车辆轨迹数据集对模型进行训练和评估。试验结果表明:所提出的Attention-BiLSTM模型与LSTM模型相比,其准确率和F1分数分别提高了13.2%和10.5%,有效提升网络对周围车辆换道意图的识别性能。

高速动态交通场景下自动驾驶车辆换道意图识别模型研究

为提高自动驾驶车辆在高速动态复杂交通场景下车辆换道意图识别精度和预判能力,提出了基于融合注意力机制的卷积残差双向长短时记忆(BiLSTM)识别模型。采用一维卷积神经网络提取车辆运动状态特征;将构造的特征向量作为BiLSTM输入信息;通过残差连接,解决多层BiLSTM易出现的优化瓶颈和梯度消失问题;利用注意力机制,调整残差BiLSTM不同时刻输出权重;应用Softmax函数计算驾驶意图概率。采用NGSIM高速公路数据集对模型进行验证,并与其他4种模型进行对比,结果表明:该模型对换道意图整体识别准确率最高,达到97.44%,在换道前2.5 s预测结果准确率达到90%以上,具有更好的识别精度和预判能力。

基于换道意图识别的高速公路换道驾驶行为预测研究

为了预测高速公路换道驾驶行为,该研究在阐述高速公路换道意图、换道场景等基本概念的基础上,提出一种换道意图识别模型。在该模型中,引入BiLSTM、注意力机制、观测序列,以提升模型预测精准性。基于此,该文收集了某公路管理局提供的数据集中101车道的7:55—8:40时段内车道轨迹数据,对模型的预测结果进行试验分析。结果表明:该文提出的模型能够有效预测高速公路车辆换道意图;在0.5s内,预测结果精准性为98%;0.5s~3s的预测结果精准性为93%。

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图,提高车辆行驶安全性,综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度,提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先,筛选和平滑处理车辆轨迹数据,将车辆轨迹数据分为向左换道、向右换道及直线行驶3类,构建换道意图样本集。其次,构建融合注意力机制的CNN_GRU模型,识别换道意图样本集,考虑到行驶过程中车辆之间的交互性,将被预测车辆和周围车辆的位置和速度信息作为模型的输入,经过CNN层特征提取的特征作为GRU层的输入,经过注意力机制层对不同的特征增加不同的权重系数,利用Softmax层识别换道意图。最后,选用NGSIM中US-101数据集的轨迹数据验证融合注意力机制的CNN_GRU模型性能,同时,与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明,所提模型车辆换道意图识别整体准确率达到97.37%,迭代时间为6.66 s,相比于其他模型准确率最多提高9.89%,最少提高2.1%。分析不同预判时间下的意图识别,模型可在车辆换道前2 s内均能识别换道意图,准确率在89%以上,表现出良好的识别性能。

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型。首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33%,宏平均精确率为89.04%,宏平均召回率为92.84%,宏平均F1值为90.33%。结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果。

基于动态栅格与隐马尔科夫模型前车换道意图识别

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。利用可观测的前车行驶信息推测出其隐藏的换道行为,并提取NGSIM数据集的相关观测参数,训练验证识别预测模型,结果表明模型达到较好的识别预测效果。

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送至宏观交通系统或周围车辆,不仅有助于宏观交通系统对整个交通流的综合调控管理,还有助于周围车辆跟车目标的提前切换以及换道轨迹规划。

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆(Long Short-term Memory,LSTM)网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆(被预测的车辆)与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场(Conditional Random Field,CRF),采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明:所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机(SVM)、隐马尔可夫模型(HMM)和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。

高速路换道意图参数提取及意图阶段确定

针对换道意图辨识研究中的意图表征参数选择与意图阶段确定问题,提出一种新的组合方法.在驾驶模拟器所得原始参数基础上,从参数重要度与相关性角度,使用决策树C4.5算法和皮尔逊相关性分析,最终得到以方向盘转角、车道偏离量和横摆角加速度组成的重要度高且互相关性低的换道意图表征参数组.在此基础上,对方向盘转角和车道偏离量的时间序列进行K-means聚类,确定驾驶人换道意图阶段,并得出意图阶段长度与平均车速近似线性相关,且左换道意图阶段长度大于右换道意图阶段长度.最后,建立连续高斯隐马尔可夫模型,在所得意图表征参数组及意图阶段数据的基础上,训练换道意图识别模型及车道保持识别模型.模型的平均离线识别准确率为90%.并可在左换道开始前1.5 s判断出驾驶人左换道意图,右换道开始前1.4 s判断出驾驶人右换道意图.研究结果表明:基于所得的意图表征参数组及意图阶段所建立的意图识别模型可有效识别驾驶人换道意图,且识别精度较高,时序性较强.该方法可为意图识别研究中意图参数选取及意图阶段确定提供参考.

考虑换道意图的LSTM-AdaBoost车辆轨迹预测模型

不合理的车辆的换道行为是导致交通事故发生的主要原因之一,提前预知换道车辆的轨迹并及时做出相应调整有助于减少事故的发生。针对换道车辆轨迹预测问题,采用将深度学习和集成学习相结合的轨迹预测方法,并考虑了换道意图的影响。建立连续隐马尔可夫模型对车辆进行换道意图检测,提前判别车辆的换道状态,并输入至相应的轨迹预测模型中;将LSTM(long short term memory)作为AdaBoost算法(adaptive boosting)的基预测器,建立LSTM-AdaBoost模型,在多个基预测器同时进行轨迹预测的基础上,通过训练调整各个基预测器的权重并将结果加权集成,提升预测模型的精度和稳定性;通过NSGIM(next generation simulation)数据集对模型进行训练和测试,结果显示意图预测模型在变道前一秒的准确率在90%以上,LSTM-AdaBoost集成轨迹预测模型与单一的LSTM模型相比精度和稳定性显著提升,且预测结果中异常数据更少,具有较好的稳定性;同时预测对比结果也表明增加意图预测模块有助于提升换道轨迹预测的精度。

基于社会力的交织区突发瓶颈段协同换道决策模型

为描述交织区突发瓶颈段车辆换道决策机理,提供一种突发事件环境可采用的换道决策模型,本文基于车辆微观轨迹信息与社会力行人交通流模型,构建面向瓶颈路段的车辆协同换道决策模型,可为智能网联突发瓶颈环境提供一种换道决策方法。首先,基于突发瓶颈段车辆换道决策特征,考虑车辆类型和驾驶员类型,构建车辆等效质量模型以改进社会力模型,在此基础上,将驱使车辆换道的因素描述为自驱动力、车辆间排斥力和障碍物排斥力,构建协同换道决策模型;然后,筛选了832个有效的换道决策微观轨迹数据,并分为标定集和验证集,以加速度为指标,曼哈顿距离为目标函数,利用遗传算法对模型进行标定,基于模拟数据和实测数据验证了标定方法的有效性;最后,与主动换道决策模型在换道方向识别、换道意愿强度、模型预测误差方面进行对比验证。结果表明,本文模型换道方向识别成功率达92.6%,输出的换道意愿强度与实测数据基本吻合,预测结果的均方根百分比偏差(RMSPE)值平均降低0.825,相对误差(RE)值平均降低1.379,显著优于主动换道决策模型。研究成果可为智能网联环境瓶颈段车辆换道意图识别、突发事件下的交通管理和控制提供理论依据。

驾驶人换道决策分析及意图识别算法设计

为设计一种能在保证准确率的条件下提高识别效率的驾驶人换道意图识别算法,分析驾驶人的换道决策,使用对驾驶人换道决策有影响的环境参数,设计了基于模糊逻辑理论的综合决策因子,反映驾驶人做出换道决策的可能性。提出一种基于隐Markov模型的换道意图识别算法,以综合决策因子与表征车辆横向运动的特征参数为观测变量,以驾驶人意图为隐状态,搭建并训练隐Markov模型,通过其解码方法实现驾驶人的换道意图识别。使用真实驾驶人在驾驶模拟器上进行换道的数据进行算法验证。结果表明:引入综合决策因子作为观测变量之一时,该换道意图识别算法能保证准确性并提高识别效率。

基于单目视觉的车道偏离预警算法研究

随着科技的发展,智能交通已成为当前的研究热点,自适应巡航是智能交通主要应用之一,而车道偏离预警在主动安全、自适应巡航中起着关键性的作用。因此,提出一种基于视频的车道偏离预警算法。把检测到的车道线的ROI分割为两个子区域,两个子区域分别应用霍夫变换寻找左右车道线。分割的方法可以提高车道线检测的计算速度。综合车辆驾驶状态、驾驶环境等相关影响因素,基于混合高斯隐型马尔科夫模型建立了驾驶人换道意图识别模型,以提高驾驶员换道意图辨别的准确率与灵敏度。