摘要
在混合交通系统中，车辆的换道行为是引发交通事故和导致交通拥堵的主要因素之一，因此确保自动驾驶车辆能够可靠地识别其周围车辆的换道意图和预测其换道轨迹是保证交通系统安全性和畅通性的关键。精准地识别车辆的换道意图并准确预测其轨迹，是当前自动驾驶领域和智能交通领域的关键热点和挑战。现有的研究大多过于注重车辆本身的运动状态，而忽视了车辆之间的交互关系，换道意图和换道轨迹也往往单独进行分析；在车辆轨迹预测方面，较少关注预测空间的多样性，仅输出单一预测轨迹。因此本文从深度学习模型切入，充分考虑需要识别意图和预测轨迹的目标车辆及其周围车辆之间的交互关系。同时，考虑到驾驶员的换道意图信息对车辆换道轨迹的影响，将识别到的驾驶意图信息融合到换道轨迹预测模型，以降低换道轨迹预测的偏差，并实现多模态的轨迹输出。本文的主要工作如下： （1）针对长短时记忆网络模型（LSTM）在识别驾驶意图时无法提取序列间的车-车交互关系的问题，本文提出了一个采用图采样和聚合方法建模车-车交互关系的改进LSTM意图识别模型。该模型使用图神经网络的图采样和聚合方法建模车-车间的交互关系，并利用图注意力网络聚合图神经网络中的邻居节点信息；对长短时记忆网络层的时间序列添加注意力机制，从而关注时间序列中的关键时刻。本文在主流自动驾驶数据集NGSIM上对所提出的换道意图识别模型进行了验证，实验结果表明，该模型能够提升意图识别的准确率。为了探究图采样和聚合方法、图注意力网络和LSTM注意力机制对模型准确率的贡献程度，本文设计了消融实验，验证了该模型各模块的有效性。 （2）提出了一种融合驾驶意图和空间注意力的多模态车辆轨迹预测模型。由于当前的大多数研究未考虑驾驶员的换道意图对车辆换道轨迹的影响，并且在进行轨迹预测时只输出单一轨迹，无法建模车辆未来轨迹的不确定性，因此，本文所提出的模型在双向长短时记忆网络（Bi-LSTM）基础上，使用空间注意力机制提取目标车辆与周围车辆的空间关系；将驾驶员的意图信息融合到轨迹预测模型以减小轨迹预测的误差；采用混合密度网络（MDN）来学习不同轨迹的概率分布，并输出各条轨迹及其概率，这一多模态的预测方法更能反映驾驶行为的多样性和未来轨迹的不确定性。消融实验的结果表明所融合的驾驶意图信息能有效提升轨迹预测的准确度。在主流自动驾驶数据集NGSIM上对所提出的轨迹预测模型进行了训练和验证，并与最新的LSTM变种模型CS-LSTM进行了对比实验，结果表明本文提出的轨迹预测模型在均方根误差方面小于对比模型，验证了该轨迹预测模型的有效性。
NETL