基于LSTM-多头混合注意力的可解释换道意图预测

为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。

基于模拟驾驶的超车换道意图预测实验教学探索

针对交通强国建设对道路工程专业人才培养的需求,在现有传统理论教学基础上,探索开展了基于模拟驾驶的超车换道意图预测实验教学项目。实验对象为高速公路典型场景下驾驶行为特性,实验课程包含理论分析、场景构建、模拟驾驶、实验数据采集、数据分析、预测建模、讨论交流等环节,通过该实验教学项目,能够加深学生对道路安全、驾驶行为理论知识的理解与应用,锻炼使用先进科学仪器研究问题和解决问题的能力,培养学生的科学研究兴趣,进一步加强道路工程实践创新人才的培养。

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。

基于GS-AdaBoost优化模型的隧道入口车辆换道行为预测

准确估计隧道入口车辆行为对于提高隧道行车安全与效率具有重要意义.现有车辆行为预测较少考虑车辆之间的交互信息,且车辆运动数据往往存在特征条件多等问题,难以应用于存在强交互的密集交通流场景.基于此,对隧道入口车辆换道特性进行分析,并提出一种车辆换道行为预测的模型优选超参数优化方法.首先,基于车辆轨迹数据,从换道位置和持续时间角度进行小轿车和货车换道特性分析;然后,遴选含3 570个样本的轨迹数据,进行描述性统计,并对车辆换道行为进行分类,标记出向左和向右换道样本2 265、1 305组;最后,针对经典逻辑回归和机器学习方法局部最小化以及过拟合问题,优选出Adaboost换道预测模型,采用网格搜索(Grid Search, GS)超参数优化方法实现超参数自动寻优,提出一种GS-AdaBoost优化模型的车辆换道意图预测方法.结果显示:与经典DT(Decision Tree, DT)换道预测模型相比,GS-AdaBoost优化在模型精确率(Precision)、召回率(Recall)、准确率(Accuracy)、F1值(F1score)、特异度(Specificity)方面分别提升了6.18%、17.83%、12.97%、29.38%、8.88%,优选模型性能得到有效提升,表明GS-AdaBoost集成学习优化模型具有较好的鲁棒性和适用性,可为车辆换道意图预测多分类问题提供一种理论方法.