摘要
无人驾驶汽车是未来智慧交通的发展方向，发展无人驾驶技术可以提高道路的运输能力，降低事故风险。近年来无人驾驶技术快速发展，但是还是缺少对目标车辆轨迹预测的研究。预测目标车辆未来可能行驶的轨迹，可以指导无人驾驶车辆控制策略的生成，大幅度的提升无人车辆的智慧能力。因此本文对车辆的轨迹预测进行研究，主要研究内容包括以下几点： 首先，本文总结了车辆轨迹预测的国内外研究现状，明确首先解决轨迹预测所需的数据问题。本文提出通过对周围环境感知，检测目标车辆，具有实际应用价值。采用车载端的RGB相机作为输入设备，使用YOLOv5作为目标检测器，Deepsort作为跟踪器对目标车辆进行跟踪，获取到一段时间内的车辆历史轨迹信息。选取真实场景下的行车视频，验证了本文算法的有效性。 在获取到目标车辆的轨迹信息后，设计车辆轨迹预测模型。为了克服传统序列预测模型顺序计算的缺点，本文采用可并行计算的Transformer作为编码结构，提出轨迹预测模型TFL-MLP-CSP（Transformer-LSTM-MultilayerPerceptron-ConvolutionalSocialPooling）。为了克服原Transformer模型需要多次解码的弊端，设计了一个多层感知机解码结构，快速预测出所有时刻的车辆轨迹。加入卷积池化模块提取目标车辆的邻居车辆信息，提高预测精度。在美国开源数据集NGSIM上测试，同时将数据集按不同工况划分，在细分数据集上对比模型的预测效果。为了验证上述模块的有效性，进行了相关的消融实验与车辆轨迹预测结果可视化的研究。实验表明TFL-MLP-CSP与Transformer方法相比在ADE指标上领先33.2%，在FDE指标上领先35.7%，在RMSE指标上领先33.1%。 最后，视觉感知的文本数据包含信息量较少，基于其构建的模型具有局限性，因此本文采用双目相机与激光雷达作为信息源。为了克服编码解码结构中的特征漂移现象，在基础网络上增添金字塔特征（FPN）分支。FPN分支可以将浅层次的空间信息引入到模型的深层语义特征层，提高了模型预测效果。在KITTI数据集上进行了相关实验，证明了模型的预测能力。同时进行了模型耗时分析，表明本文提出的FPSP（FeaturePyramidnetworksbasedonSkipconnectforvehiclePrediction）比INFER模型计算量少量增加，在ADE指标上的预测误差降低31.8%，在FDE指标上的预测误差降低39.7%。
NETL