摘要
车辆智能驾驶系统能够利用多源数据、智能算法和强大算力，自主或者人辅下给出高效且安全的行驶策略，在新能源汽车领域中得到了广泛应用。交互车辆的意图识别和轨迹预测是实现智能驾驶系统安全行驶需要解决的重要问题，提前准确识别交互车辆的驾驶意图与行驶轨迹，对提升车辆行驶安全性和通行效率至关重要。高速行驶车辆，因其速度快、驾驶操作允许时间短，在跟车或换道过程中易发生交通事故，目前的自动驾驶系统算法对此类环境下驾驶决策的准确度、高效性和稳定性，还有较大地提升空间。因此，围绕高速场景驾驶风格分析、换道意图识别及其轨迹预测，开展智能驾驶模型和算法研究具有重要理论意义和实际应用价值。 本文首先对NGSIM数据集结构内容和数据特性进行分析，以高速路段车辆轨迹数据为数据基础开展噪滤和数据预处理工作；而后，基于预处理的轨迹数据获取表征驾驶风格的特征参数，降维后通过聚类分析将驾驶风格分类；进而，提出鲸鱼优化算法(WOA)改进CNN-BiGRU-ATTENTION意图识别模型，解决超参数敏感性影响车辆行为意图识别精度问题；分别从种群初始化方法、位置更新策略和防止陷入局部最优对WOA进行改进，提升超参数寻优的性能和效率；最后，提出CNN-Transformer车辆换道轨迹预测混合模型，结合不同驾驶意图特征，进行车辆轨迹的多模态预测研究。主要研究内容如下： (1)研究NGSIM数据集结构内容和数据特性，重点解决数据误差问题，采用sEMA滤波法清洗车辆横向轨迹、纵向轨迹、速度和加速度等特征数据中存在的异常值，为后续模型提供准确可靠的数据基础。 (2)基于预处理数据，提取代表驾驶风格的特征参数，对其进行规范化处理及其PCA法降维；针对聚类数目K值依靠人工经验设定的问题，通过层次聚类算法融合分类适确性指标DBI，确定最佳聚类数目；针对K-means算法聚类结果对初始聚类中心选择依赖性大的问题，提出基于加权密度最大最小距离法改进K-means聚类中心的初始化方式，利用Wine和Balance-scale两个UCI数据集，验证其解决聚类初始化问题的有效性；以改进的K-means作为驾驶风格聚类算法，通过聚类结果分析获取不同驾驶风格类型。 (3)针对超参数敏感性影响车辆行为意图识别精度的问题，提出一种WOA改进的CNN-BiGRU-ATTENTION换道意图识别模型，利用WOA对模型的调整参数进行多目标寻优；为提升超参数寻优的性能和效率，采用Tent混沌映射初始化、非线性惯性权重、Levy飞行策略改进WOA，并将得到的改进鲸鱼优化算法(IWOA)与粒子群优化算法(PSO)、标准鲸鱼优化算法(WOA)在4个标准单峰测试函数、4个标准多峰测试函数下验证其有效性；分别采用IWOA、WOA对模型超参数进行寻优，对比分析验证IWOA寻优结果的可行性；采用寻优参数建立车辆换道意图识别模型，研究超参数对模型识别精度的影响。 (4)利用卷积神经网络和Transformer的各自优势，提出CNN-Transformer的轨迹预测混合模型，利用车辆之间的时空交互信息特征，结合不同驾驶意图特征，对高速场景下车辆轨迹进行预测研究。
NETL