基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_(MAE))降低了69.8%,均方根误差(Root Mean Square Error,E_(RMSE))降低了49.15%,平均绝对百分比误差(Mean Absolute Percentage Error,E_(MAPE))降低了14.24%。

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。

基于轨迹预测增强的复杂场景多目标跟踪方法

以冬奥会的短道速滑比赛场景为例,针对短道速滑中运动员的目标外观差异性小、运动变化快、目标间遮挡频繁等运动特点,设计一个应用于短道速滑场景的多目标跟踪数据集,并提出一种基于轨迹预测增强的多目标跟踪方法.首先计算包围框交并比距离与外观特征余弦距离,联合判断检测响应与跟踪轨迹的相似性解决目标外观相似问题;然后通过跟踪轨迹的全局特征和运动线索恢复被遮挡目标丢失的信息,提高中断轨迹的重关联能力;最后根据检测先验控制新轨迹的初始化,减少噪声检测对轨迹跟踪中身份交换的影响.实验结果表明,与DeepSORT方法相比,所提方法在短道速滑场景中能够稳定地跟踪轨迹,有效地减少了轨迹中断,其中,IDF1提升21个百分点,MOT准确度提高14.3个百分点;该方法在目标差异性小、运动变化快的短道速滑场景中保证长期稳定跟踪,对多目标跟踪在复杂场景中的应用具有启发意义.

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。

双向门控循环单元在船舶轨迹预测中的应用

针对传统循环神经网络提取船舶轨迹序列特征能力不足,导致预测结果与实际轨迹之间的误差较大,影响船舶调度与航行安全的问题,将双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)神经网络应用到船舶轨迹预测中。利用Bi-GRU神经网络模型具有的前瞻特性以及大量船舶自动识别系统(Automatic Identification System, AIS)数据,提出基于Bi-GRU的船舶轨迹预测模型。结果表明,Bi-GRU的预测精度较门控循环单元(Gated Recurrent Unit, GRU)有明显提升,均方误差降低13.0%,均方根误差降低6.5%,平均绝对误差降低16.5%。研究成果可为提高船舶交通服务系统安全管理水平、判断船舶交通风险程度及智能船舶碰撞预警提供理论支撑。

基于Encoder-Decoder LSTM的船舶轨迹预测方法

船舶轨迹预测的准确性是预警事故和确保安全航行的关键,但精度和稳定性是目前亟待解决的问题。为了应对这一挑战,提出一种基于Encoder-Decoder LSTM的船舶轨迹预测方法。首先对船舶AIS轨迹数据进行去噪、分段、插值、停留点检测和归一化等预处理,提取船舶的航行轨迹。然后构建了一种基于Encoder-Decoder LSTM架构的船舶轨迹预测模型,并对模型参数进行初始化。最后使用长江江苏段天生港水域渡轮的真实AIS数据对提出的模型进行训练和验证,并与其他广泛使用的轨迹预测方法进行比较。定量分析表明,该方法可实现对船舶轨迹较为准确的预测,且所预测轨迹具有一定的参考价值。

考虑动态交互作用的智能车辆轨迹预测

在多车交互的动态场景中,智能车辆需要具备对周围车辆未来轨迹的预测能力,以实现安全高效行驶。本文提出一种考虑邻车动态交互作用的轨迹预测方法。首先基于目标车辆及周围车辆的历史轨迹信息,构建动态时空关联图,作为交互特征提取模块的输入,再运用图注意力机制获取历史时域上可变的交互特征参数;其次,将目标车辆历史时域信息与可变的交互特征参数融合,嵌入时间注意力机制得到上下文向量,再通过长短时记忆神经网络解码输出目标车辆的未来轨迹;最后,运用CitySim数据集对本文模型进行训练及验证,又采用CQSkyEye数据集对模型进行迁移性实验。结果显示:模型在5 s的预测时域上均方根误差为0.82 m,与其他预测模型的最优结果(0.96 m)相比,精度提升15%,并且可以提前2 s对车辆轨迹进行准确预测;对于迁移性能,本文模型相比其他模型有一定优势,在改变图构建的距离阈值参数后,5 s预测时域上的均方根误差为6.43 m,对比其他模型最优结果(12.41 m),精度提升48%。

基于多模态轨迹预测的智能车轨迹规划研究

混合交通流下由于驾驶员意图的不确定性行驶轨迹将呈现多模态属性,为了提高安全性并实现个性化驾驶,本文提出一种基于环境车辆多模态轨迹预测的智能车轨迹规划算法。首先,结合图卷积神经网络(GCN)和长短期记忆网络(LSTM)并加入注意力机制建立轨迹预测模型,预测不同行驶意图下的未来轨迹概率分布。然后,针对环境车辆的多意图概率下预测轨迹集合,根据自动驾驶风格偏好,设定一定的概率阈值挑选出确信轨迹,将其投影到规划路径上生成S-T图,并通过动态规划和二次规划进行基于碰撞风险规避的速度规划。最后,基于模型预测控制(MPC)对本文模型在典型换道场景和NGSIM真实道路场景下进行仿真测试并与现有模型进行对比验证。结果表明:本文提出的模型在安全性、舒适性和行车效率等方面均优于对比模型,能够在准确预测环境车辆未来轨迹的前提下实现最优轨迹规划,保证自动驾驶汽车安全、高效的行驶。

基于Mogrifier-BiGRU的飞行器轨迹预测

针对当前飞行器轨迹预测准确性低的问题,引入双向传播机制和Mogrifier数据耦合模块,改进传统门控循环单元网络,提出基于Mogrifier-BiGRU的飞行器轨迹预测算法,加强网络对历史数据的学习与记忆,使得输入信息与隐藏层数据的充分耦合,提高预测准确度。仿真结果表明,所提方法对飞行器轨迹预测的准确度可达到96.26%,满足我方作战指挥人员对战场态势趋势准确预测的实际需求。

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。

空战目标轨迹预测技术研究综述

信息化空战对抗中,快速获取和有效利用对手信息的一方,能够准确地预测对手的运动轨迹,更加迅速地完成OODA循环,进而取得空战优势。本文研究空战目标轨迹预测技术,以时序变化特征为研究视角,分别对基于物理、机器学习和深度学习的轨迹预测技术开展分析和总结,进一步归纳物理因素、空战因素和交互因素等作为轨迹预测模型的输入,单模态轨迹、多模态轨迹和行为意图三类作为模型的输出,并对未来智能化空战中的目标轨迹预测技术进行展望。

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。

结合双向LSTM和注意力机制的车辆轨迹预测

为提升智能交通、自动驾驶等系统的管理和服务质量,提出一种双向长短期记忆网络结合注意力机制的车辆轨迹预测模型。采用道格拉斯-普克压缩算法对轨迹数据进行压缩预处理,减少数据中的冗余;在编码器中使用双向长短期记忆网络充分捕获时间相关性特征,并采用自注意力机制获得与邻近车辆之间的全局空间相关性特征;通过解码器的全连接层获取车辆的未来位置,并通过模型迭代获得完整的预测轨迹路线。实验结果表明,提出的模型预测性能优于对比模型。此外,消融实验结果表明,引入轨迹压缩算法与改进的长短期记忆网络结合注意力机制对预测准确度均有积极贡献。

场景复杂度评估在轨迹预测和驾驶决策中的应用

场景复杂度的评估对于提升自动驾驶车辆应对多变环境的能力以及增强算法的适用性至关重要。本文中设计了基于图模型的复杂度评估算法,充分考虑场景中的交互拓扑,将场景划分为3类不同复杂度。在匝道汇流场景下,验证了该算法的合理性与有效性。为说明复杂度评估算法的拓展性,将其应用于自动驾驶的轨迹预测与决策算法开发中。通过结合自然驾驶数据集和实车在环试验,对提出算法进行测试,结果表明:场景复杂度评估可预先估计预测的不确定性,显著提升自动驾驶决策算法的实时性与最优性。在数据回放测试中,复杂度评估模块可帮助降低并道失败率、并道剐蹭率分别为38%、92%,具有潜在的应用前景。

考虑应激避让行为的自行车轨迹预测

非机动车道空间受限时,常规自行车被超车场景下骑行者为确保自身安全会产生应激避让行为。为明确其在被超车时的应激反应,并根据行为特性设计非机动车道,构建一种面向应激行为分类的自行车轨迹预测模型。该模型从频域角度分解自行车被超车时的动力学特性,依据踏频值范围将避让行为分为匀速、加速和减速行为,利用鲸鱼算法改进长短期记忆神经网络模型,分别对分类后的骑行轨迹进行预测。应用所构建预测模型对西安市2415次超车事件的分析结果显示,发生冲突时选择上述3种避让行为的骑行者占比分别为11.3%、38.3%和50.4%。匀速避让的预测轨迹全程波动较小,平均横向位移为0.15 m;加速避让轨迹表现为横向位移较大,平均达0.83 m;减速行为预测轨迹平缓度介于两者之间,横向位移为0.47 m。3种预测情况下的均方根误差分别为0.0619、0.0513和0.0587,拟合优度值分别为0.9589、0.9774和0.9687。与未考虑应激行为分类的结果相比,所构建模型的预测精度分别提升了11.07%、13.22%和12.21%。

基于RBF网络的足球点球轨迹预测

基于计算机视觉线性化轨迹预测模型在预测足球轨迹时,只能保证局部稳定性,存在轨迹跟踪局部稳定性问题和parking问题,提出了基于RBF网络的足球点球轨迹预测方法。建立足球运动状态传感信号解析模型,计算足球飞行地心重力、空气阻力、空气浮力、自身旋转时产生的马格努斯力的参数。建立足球飞行过程中的飞行受力解析模型,鉴于多参数模型复杂度过高,产生parking问题。利用RBF网络模型简化能力,建立飞行轨迹预测模型,结合并行滤波控制器,融合以上所有信息,在已知视觉概率计算的基础上,完成足球飞行轨迹的状态估计,并将其误差的协方差计算作为滤波控制的输入值,从而得到所有方差、均值的数据。最后获得足球在任意时刻的运动状态函数,完成预测。实验结果显示,该方法的足球运行轨迹吻合度为12 mm,且落点距离标准差最大仅为0.0412 m,因此,该预测方法能够得到精度更高的预测数据。

基于Informer的车辆多意图运动轨迹预测

自动驾驶汽车需要具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶中的安全性和舒适性。为了能准确地预测汽车行驶的未来轨迹,本文运用神经网络的方法,设计了一种基于改进Informer模型的多意图轨迹预测模型。该模型使用编码器-解码器结构,输入数据为交通场景中的历史时域信息,输出为车辆的多意图预测轨迹。模型的编码器使用交互信息提取网络,根据特征间的依赖关系提取车辆交互信息,解码器根据编码器的输出特征向量预测表征多种驾驶意图的多意图轨迹。通过使用真实高速公路轨迹HighD数据集对模型进行训练、验证和测试,试验结果表明,本文提出的多意图轨迹预测模型能准确地预测出目标车辆的未来可能轨迹,并且在预测精度上优于基于长短时记忆网络的轨迹预测模型,增加交互信息提取网络使模型预测具有更高的准确率,输出多条表征不同驾驶意图的轨迹有利于反映客观真实轨迹分布,提高车辆主动安全性。本文还进行了通过预测轨迹判断换道意图的补充实验,通过本文模型预测轨迹判断换道意图准确率在换道前3 s达到97%,从侧面反映出本文提出的模型预测轨迹的性能优异。

基于动态图注意力的车辆轨迹预测研究

针对目前轨迹预测研究中交互建模方法使用的图注意力网络(GAT)为静态注意力,无法有效捕捉复杂道路场景中车辆间交互的问题,提出了一种基于编码器-解码器架构的动态图注意力网络(ED-DGAT)预测高速公路环境中运动车辆的未来轨迹。编码模块使用动态图注意力机制学习场景中车辆间的空间交互,采用状态简化动态图注意力网络建模解码阶段车辆运动的相互依赖,最后使用NGSIM数据集评估所提出的模型,并与长短时记忆(LSTM)、联合社交池化与长短时记忆(S-LSTM)、联合卷积社交池化与长短时记忆(CS-LSTM)算法模型进行对比分析,结果表明,预测轨迹的均方根误差(RMSE)降低了25%,且模型的推理速度为CS-LSTM模型的2.61倍。

改进的多项式曲线拟合轨迹预测算法

针对传统多项式曲线拟合轨迹预测算法对复杂多变的轨迹预测准确率不高问题,提出改进的多项式曲线拟合轨迹预测算法。首先,获得轨迹的曲率、挠率阈值;然后,通过该阈值识别预测误差可能较大的轨迹部位,并采用插值滚动预测算法进行预测;最后,采用双误差预测值更新算法,对预测值进行更新。仿真结果表明,相较于传统多项式曲线拟合轨迹预测算法,所提算法的平均位移误差(average displacement error,ADE)下降了42.77%,最终位移误差(final displacement error,FDE)下降了36.62%,从而验证了所提算法的可行性和有效性。

基于注意力机制的TCN-BiLSTM船舶轨迹预测

针对现有船舶轨迹预测模型预测准确度低的问题,提出一种基于注意力机制的时域卷积网络和双向长短时记忆网络结合的船舶轨迹预测模型;首先搭建TCN网络提取船舶轨迹的序列特征,之后将注意力机制引入网络调整不同属性特征的权值,突出对轨迹预测影响更大的特征,最后搭建Bi-LSTM网络学习轨迹序列的前后状况来提取序列中更多的信息,实现对船舶未来轨迹的预测;通过实际船舶AIS数据对网络进行训练与测试实验,实验结果表明,TCN-ABiLSTM模型相比LSTM、Bi-LSTM和BiLSTM-Attention模型船舶轨迹预测精度更高,拟合程度更好,验证了所设计的TCN-ABiLSTM模型在船舶轨迹预测方面的的有效性和实用性。