摘要
近年来，我国道路交通事故发生率居高不下，研究表明驾驶员因素是交通事故发生的主要致因。自动驾驶技术不仅可以降低驾驶人的工作负担，更能赋予自动驾驶车辆远超人类驾驶员的感知视野和决策思维，有效弥补人类驾驶员的不足,促使道路交通驾驶更加安全、高效。车辆轨迹预测是自动驾驶系统中的关键技术之一，它能通过采集的各项数据对车辆驾驶行为进行刻画和预测，为车辆路径规划提供有力的数据支撑。当前车辆轨迹预测研究仍存在输入特征和模型结构难以快速、准确描述目标车辆与周围车辆交互关系的问题，以至于难以实现驾驶员换道意图的准确识别和行驶轨迹的精准预测。为解决上述问题，本文构建一种结合换道意图识别的车辆轨迹预测模型，主要工作包含以下两方面: (1)通过识别驾驶员换道意图确定车辆换道速度及换道方向后，可以基于驾驶员角度对车辆行驶轨迹进行更准确的预测，因此本文先建立一种基于长短时记忆网络与图注意力机制融合的换道意图识别模型。该模型主要包括输入模块、历史运动编码模块、注意力机制模块以及目标车辆意图识别模块四个部分。本文从构建绝对运动特征和相对运动特征融合的特征输入以及加入非邻近周边车辆轨迹信息两方面优化模型输入，并采用图注意力模型对目标车辆与周边车辆的交互关系进行优化建模。通过滑动时窗法对HighD实验数据集进行序列提取和行为标注,实验表明所建模型具有很高的识别准确率，横向意图和纵向意图的识别准确率均超过96％,而且模型在车辆到达换道点前1.0s时的识别准确超过80％,能够为驾驶员提供安全预警，有效避免碰撞事故发生。 (2)为优化模型训练，节省训练时间，车辆轨迹预测模型与换道意图识别模型共用编码器和注意力模块，在换道意图识别模型的基础上，添加基于长短时记忆网络的轨迹预测解码模块，以构建完整的结合换道意图识别的车辆轨迹预测模型。该模型能够结合目标车辆与周围车辆的历史轨迹信息以及目标车辆的识别意图概率向量对车辆未来5s内的行驶轨迹进行预测。本文通过均方根误差评价指标对模型在HighD实验数据集上的轨迹预测性能进行分析评价，验证了本文对模型输入的优化以及图注意机制的运用能够提升轨迹预测精度，与一些经典的轨迹预测模型相比，本文构建的结合换道意图识别的车辆轨迹预测模型预测精度更高，预测时域为5s时的均方根误差为1.12m。
NETL