基于EKF-GRU的车辆轨迹预测

为提升行车安全,实现自动驾驶车辆正确的决策规划,提出基于扩展卡尔曼滤波(EKF)-门控循环单元(GRU)的车辆轨迹预测方法,结合学习方法与物理模型,在提升预测精度的同时,提高轨迹预测的合理性。首先,基于GRU构建预测网络,通过提取车辆的历史轨迹特征预测车辆的纵向加速度及横摆角速度;其次,基于车辆非线性运动学构建EKF状态估计器,结合观测值生成车辆未来有限时域的行驶轨迹;最后,在高速公路多车轨迹数据集NGSIM I-80和US-101上进行轨迹预测方法验证。结果表明:采用传统的物理模型生成预测轨迹,其最终距离误差(FDE)、均方根误差(RMSE)、平均距离误差(ADE)值分别为6.48、7.69和3.03 m。相比之下,利用EKF-GRU生成的预测轨迹表现出更高的准确性,对应的数值分别为5.45、6.67和2.56 m,分别提升15.90%、13.26%和15.51%。

基于长短时记忆网络的路口转向意图预测

提出了通用路口车辆行驶意图预测模型,对其他交通参与者在路口的转向意图进行预测。根据驾驶场景对真实数据集NGSim(Next Generation Simulation)进行特征选择与数据提取,然后使用长短时记忆(LSTM)网络进行通用模型训练。结果表明:该模型可以在停车线前10 m预测出车辆是左转、右转,还是继续直行,预测正确率为92. 3%。