EGCN-CeDML:一种面向车辆驾驶行为预测的分布式机器学习框架

在大规模动态变化的交通场景下,快速准确地预测车辆驾驶行为是智能交通领域极具挑战的问题之一。车辆驾驶行为的预测不仅要考虑通信的有效性,而且要考虑车辆历史行驶轨迹以及车辆之间的相互影响。文中综合考虑了上述因素,提出了一种新的基于边-增强图卷神经网络的通信有效的分布式机器学习框架EGCN-CeDML(Edge-enhanced Graph Convolutional Neural Network-Communication-efficient Distributed Machine Learning)。相比面向单一设备的集中式预测框架,EGCN-CeDML是通信有效的分布式机器学习框架,该框架无需将所有原始数据发送到云服务器,而是直接将用户数据在本地边缘设备存储、处理和计算。这种在多个边缘设备训练神经网络的方式缓解了集中训练神经网络的压力,降低了传输数据量和通信延迟,提升了数据处理效率,在一定程度上也保护了用户隐私。各个边缘设备部署的复合图卷积网络(EGCN-LSTM)利用边-增强注意力机制和图卷积神经网络的特征传递机制,当周围车辆数量增长至十几辆时仍能快速提取和传递车辆间的交互信息,保证了较准确的预测性能和较低的时间复杂度。不限于车辆驾驶行为预测,各边缘设备可以根据自身的计算能能力和存储能力,在保证神经网络性能的前提下灵活控制神经网络的类型和规模以适用于不同的应用场景。EGCN-CeDML在公开数据集NGSIM上的实验结果表明:无论交通复杂程度如何,EGCN-CeDML的计算时间和预测性能都优于以往模型,精准率可达0.9391,召回率可达0.9557,F1分数可达0.9473;预测时长为1 s时,预测准确率达到了91.21%;即使车辆数目增加,算法也能保持较低的时间复杂度,且稳定在0.1 s以内。

基于隐马尔可夫模型的驾驶行为预测方法研究

根据驾驶行为受驾驶意图驱使,在时空上应先产生驾驶意图后有驾驶动作执行,再有具体的驾驶行为的时空顺序,利用意图到行为实现过程中的时间差,研究建立了基于多驾驶操作动作特征观测信息和隐马尔可夫模型的驾驶行为预测方法,实现了跑偏驾驶、一般转向和紧急转向3种驾驶行为的预测。从机动车安全预警的角度进行分析,预测出驾驶员的驾驶行为等同于获得驾驶员对车辆未来运行状态的需求,有助于及时纠正或干预驾驶员正在或即将实施的危险行为。

基于深度跟驰网络的驾驶行为预测

针对传统跟驰模型在实际应用中对前车驾驶行为描述不够准确的问题,提出一种自学习的深度跟驰网络模型。首先,为提高对前导车检测的准确性,在图像特征提取模块各层之间大量使用跳层连接,使网络检测深度增强;其次,在信息处理模块中引入测距、测速算法,实现对前导车速度和相对距离的精准判断;最后,为提高模型的预测精度,在循环神经网络(recurrent neural network,RNN)隐藏层中引入Tanh激活函数,并采用双向RNN作为多任务输出模块。实验结果表明,所提深度跟驰网络能够实现对驾驶行为的良好预测,基本满足驾驶员在行驶过程中对于前导车速度和相对距离的预测需求。

基于深度学习的驾驶员换道行为预测

车道变换在交通安全中起着至关重要的作用,准确预测驾驶员的车道变换行为可以显著提高驾驶安全性.本文提出了一种基于全连接神经网络和循环神经网络的混合神经网络,用于精准预测车道变换行为.并且提出动态时间窗口,提取包括驾驶员生理数据和车辆运动学数据的车道变换特征.最后,通过真实交通场景下的数据验证了所提出模型的有效性.此外,将所提出的模型与五种其他预测模型进行了比较,结果表明,与其他模型相比,本文所提出的预测模型具有更高的精确率和前瞻时间.

基于BiGRU的多模态驾驶行为及轨迹预测

在复杂交通环境中行驶的智能汽车需要预测未来周围车辆的动向,为了提升智能汽车快速且准确预测周围车辆驾驶行为及轨迹的能力,设计了一种基于BiGRU的多模态驾驶行为及轨迹预测模型.模型由BiGRU编码器、交互卷积池化层和GRU解码器组成,能够预测未来5 s车辆多模态驾驶行为的概率和多模态驾驶行为对应的轨迹分布.试验结果表明,相较于其他基于深度学习的模型,该模型在预测长时域轨迹时的RMSE损失和NLL损失更低,具备更高的准确率.

基于非合作博弈威胁度的智能驾驶策略研究

本文基于非合作博弈竞争威胁风险度(CTRD),提出了在风险驾驶场景中的智能驾驶决策及执行算法系统。基于实时采集的博弈双方直接和间接信息,进行浅层和深层分析,计算每次竞争行为的CTRD,并在持续高频的连续博弈场景中对博弈威胁风险水平(CTRL)综合度量分类,以此建立驾驶员行为风险评估模型并标签化处理。此方法可描述具备较强相关性和行为逻辑的交互竞争,通过理性妥协以避免攻击性鲁莽驾驶行为造成的碰撞事故,在保障系统对危险驾驶场景及行为做出安全决策基础上提高通行效率。实验采用3 000多组实际道路的切入数据,对其中涉及博弈竞争行为进行比较分析。结果显示,在连续交互非合作博弈回合中,面对竞争威胁挑战,基于CTRD的驾驶策略预测与驾驶员实际行动呈相关性分布,标签化的CTRL对实际博弈行为预测符合度为94%。