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...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。展开更多
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...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。展开更多
文摘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。
文摘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。