基于循环神经网络的车辆轨迹预测问题研究

扫码查看

原文链接

NETL

中文摘要：由于在保障安全、提高效率、节约能源和环境保护方面的优势，智能汽车的研究已成为全世界关注的焦点。作为从环境感知与决策规划之间的桥梁，轨迹预测技术是实现无人驾驶的关键一环。准确及时的预测周围车辆的驾驶意图和驾驶轨迹是无人驾驶安全行驶的重要保证。人类驾驶员不断地预测其附近的车辆的驾驶行为，从而避免与其他车辆发生冲撞，以规划安全迅捷的行车路线。自动驾驶汽车也必须预测周围车辆的运动轨迹，以便在未来的驾驶场景互动发生之前主动规划，而不是被动地在意外发生后才作出反应。这样做可以尽量避免不安全的行为，如急刹车、急并道、急转弯等。但是，由于交通场景的高度动态性和复杂性，使得轨迹预测成为一项艰巨的任务，尤其是对于长期预测而言。针对以上问题，本文提出了基于注意力机制的编码-解码框架模型，用于车辆的轨迹预测。针对轨迹预测任务的特殊性，本文设计两种空间注意力机制用于车辆的轨迹预测。这两种注意力机制都是基于目标车辆和周围车辆的空间位置关系设计的。本文对提出的模型在驾驶数据集highD上进行了训练和评估。实验结果表明，本文提出的注意力机制帮助模型的预测效果提高了接近一倍。与公开的论文方法相比，本文的模型性能优越，尤其是在长期预测上。论文的主要内容如下： 1.我们首先总结分析了过去用于轨迹预测上的方法。他们可以分为三类：基于物理模型的预测，基于驾驶行为的预测和基于环境理解的预测。前两种方法都是基于自车的驾驶状态进行轨迹预测，他们只适合短期的预测。第三种方法考虑了驾驶场景中车辆之间的交互，是最全面也是最复杂的模型。 2.本文把轨迹预测任务看成是一个序列到序列的预测任务，所以我们选用了编码-解码框架作为基础模型。接着，为了改善模型在长期依赖和关键信息提取上的能力，本文设计了两种空间注意力机制：Context-attention和Lane-attention。Context-attention通过给予初始语义向量中的元素不同的权重从而完成对驾驶环境重要车辆的提取。Lane-attention分别编码不同车道上的车辆信息。然后在解码阶段，判断目标车辆和三个车道语义向量的关系，计算最终帮助估计预测的语义向量。 3.本文使用highD数据集进行了模型的训练和评估。并把我们的实验结果与公开的论文的结果做了比较。实验结果显示：在加入两种注意力机制后，模型的预测效果提升了一倍；与其他论文相比，我们的模型在长期预测上效果最好。该论文是由国家自然科学基金项目(61701348)，科技部国家重点研发计划新能源汽车专项(2016YFB0100901)和TUEVSUED基金(20162020)资助，在同济大学-慕尼黑工业大学中德联合培养框架下开展完成的。

作者：

王杰

展开 >

关键词：

智能车无人驾驶轨迹预测注意力机制循环神经网路

授予学位：

硕士

学科专业：

控制理论与控制工程

导师：

尹慧琳、Walter Stechele

学位年度：

2020

学位授予单位：

同济大学

语种：

中文

中图分类号：