基于LSTM的车辆并道意图识别及跟驰模型改进研究.pdf
《基于LSTM的车辆并道意图识别及跟驰模型改进研究.pdf》由会员分享,可在线阅读,更多相关《基于LSTM的车辆并道意图识别及跟驰模型改进研究.pdf(7页珍藏版)》请在咨信网上搜索。
1、现代计算机Modern Computer第 29 卷 第 12 期2023 年 6 月 25 日基于LSTM的车辆并道意图识别及跟驰模型改进研究胡哲铭*,罗健炜,郑开超(广东工业大学自动化学院,广州 510006)摘要:车辆跟车行驶过程中,旁车不合理的并道行为极易引发交通事故,通过构建基于LSTM的车辆并道意图识别模型,以车辆行驶轨迹数据作为输入来分析旁车并道意图,并基于意图识别结果对车辆期望间距跟驰模型进行改进。实验结果表明,基于LSTM的意图识别模型可以提前2 s感知旁车的并道行为且预测精度可达94.47%;改进后的IDM能够根据预测模型识别结果提前采取相应控制策略,且速度控制更加平稳,使
2、驾驶舒适度得到提升。关键词:LSTM;意图识别;跟驰模型文章编号:10071423(2023)12001007DOI:10.3969/j.issn.10071423.2023.12.002收稿日期:20230220修稿日期:20230313作者简介:*通信作者:胡哲铭(1999),男,湖南郴州人,硕士研究生,研究方向为自动驾驶仿真测试、车辆跟驰模型,Email:;罗健炜(1998),男,广东广州人,硕士研究生,研究方向为数字孪生、自动驾驶仿真测试;郑开超(1998),男,广西北海人,硕士研究生,研究方向为数字孪生、自动驾驶仿真场景建模0引言车辆在跟车行驶过程中,旁车不合理的换道行为容易引发交通
3、拥堵甚至交通事故。不当的车辆换道行为会使交通拥堵提高10%,且每年约有27%的交通事故是不合理的车辆换道导致的1。通过提前预测旁车的换道意图来及时调整车辆的跟驰状态,可以降低车辆发生碰撞的风险。当前国内外对于车辆换道方面的研究主要集中在车辆换道意图识别和轨迹预测两个方向,且研究对象为自车,较少学者通过分析相邻车道的换道意图来调整自车与前车的跟驰行为。文献 2 将 NGSIM3(next generation simulation)数据集作为模型的训练集与测试集,从中提取出当前车辆与相邻车辆的相对纵/横向速度、加速度、距离等六个特征参数作为贝叶斯网络的节点进行模型训练,利用贝叶斯网络在处理分类问
4、题上的优势来预测车辆的换道意图。文献4 提出了一种基于LSTM的车辆换道意图与车辆轨迹预测模型,具有良好的预判性和精确率。文献 5 基于模糊预测决策分析了相邻车辆的并道意图,当横向间距较小时,纵向相对速度越大相邻车辆越容易并道,但未进行量化表达。文献 6 通过试验车辆在高速公路采集车辆行驶换道数据,从中筛选车辆之间的特征参数来构建旁车并道意图预测模型,利用预测模型所得结果对现有的跟驰模型进行了改进。本文针对高速路上车辆跟驰过程中出现相邻车道车辆突然并道这一现象,分析旁车驾驶行为及其对当前车辆跟驰状态的影响。构建基于LSTM网络的车辆换道意图识别模型,以车辆行驶轨迹数据作为输入,分析旁车并道意图
5、,并基于意图识别结果对车辆的跟驰状态进行调整。1换道意图识别模型本文采用LSTM网络构建旁车换道意图识别模型,以车辆历史轨迹数据作为模型的输入I,C=(c1,c2,c3)表示换道意图类别向量。为减少模型训练损失,使用Softmax函数计算出车辆换道意图(向左并道、直行、向右并道)的概率矩阵=(1+2+3),其中i(i=1,2,3)表示 10胡哲铭等:基于LSTM的车辆并道意图识别及跟驰模型改进研究第12期三类换道意图的输出概率P(ci|I),换道意图识别模型的输出可以表示为i=(ci|I),=(1,2,3)(1)如果直接将所得概率输出将会得到一个三分类模型,为提高模型自信度,对模型的输出增加一
6、个确信阈值判断机制:将换道和直行的确信阈值分别设定为80%和70%,当其中一类的换道意图概率超过确信阈值,则认为该换道意图为确信意图,并将其概率i设为100,其余两类概率j(j i)调整为0%。其中模型的输入信息I主要包括被预测车辆状态信息与环境信息,输入量表示为I(t)=S()te,E()t,t=(T-Tp,T-1,T)(2)其中:S()te表示车辆的历史轨迹信息;E()t表示被预测车辆周车环境信息;T表示历史时域。如图1所示,车辆状态信息主要选取被预测车辆的坐标(x()t,y()t)和t时刻该车辆的绝对速度v(t)e,表示为S()te=(x()t,y()t,v(t)e)。针对高速路上普遍情
7、况,任意选取一辆车辆作为被预测车辆Se,选取被预测车辆左前、正前、右前、左后、正后、右后方6个车辆状态信息S()tsi=(x(t)i,y(t)i,v(t)i)与被预测车辆的两个标志位共同组成被预测车辆的环境信息E(t)=(S()ts1,S()ts2,S()ts3,S()ts4,S()ts5,S()ts6,M()tr,M()tl),其中(x(t)i,y(t)i)表示第i位置车辆与被预测车辆的坐标偏移,v(t)i表示第i位置车辆在t时刻的绝对速度;(M()tr,M()tl)分别表示右车道和左车道的标志位(若右(左)方有车道,则将M()tr(M()tl)设定为1,否则为0)。需要注意的是,当在t时刻
8、,第i位置不存在车辆时,则将该位置的车辆状态信息设为x(t)i=0,y(t)i=+,v(t)i=v(t)e。Ss4Ss5Ss1Ss2Ss3Ss6SeVe图 1被预测车辆周身环境示意图意图识别模型参数选定:合适的超参数对于模型的性能有着不可忽略的影响,本文选取的模型参数见表1。表 1网络参数设置参数类型LSTM超参数输入输入维度优化方法学习率Dropout名称LSTM层数神经元个数全连接层层数神经元个数取值251211223044Adam0.0050.22数据处理与实验分析2 2.1 1数据准备数据准备本文采用NGSIM数据集作为试验的基础样本数据,该数据集记录了摩托车、小型车以及大型车三类车辆
9、在特定路段的车辆行驶轨迹信息,以及各个参与车辆的车身参数、车辆位置、运动状态等信息,NGSIM原始数据描述见表2。表 2NGSIM原始数据描述字段Global_TimeVehicle_IDLocal_XLocal_YV_ClassV_VelV_AccLane_ID数据描述全局时间戳车辆ID车头中心点到检测路段左侧边缘的横向距离车头中心点到检测路段起点的纵向距离车辆类型:1(摩托车)、2(小汽车)、3(大货车)车辆速度车辆加速度车道编号单位msfeetfeetfeets-1Feets-2NGSIM 数据集中的 US101路段结构如图 2所示,该路段检测区间共计640 m,数据采样频率为10 Hz
10、,车道宽度为12 ft,约3.66 m,其中68车道分别为集散车道和匝道出入口,15车道为高速主车道。11现代计算机2023年主车道车道1车道2车道3车道4车道5集散车道6车道7车道8入口出口行车方向640m176m213m251m 图 2US101路网结构2 2.2 2数据筛选与特征提取数据筛选与特征提取由于各类车型的运动模型和状态参数并不一致,且行驶的性能也有所差别,本文仅选取小型汽车作为本文的样本数据,剔除摩托车和大型车辆的行驶轨迹数据。由图2可知,发生在68车道上的车量换道行为大多数均为车辆上下高速时发生的强制换道过程,因此本研究考虑的数据仅包含15车道行驶数据,并删除5车道与6车道相
11、互间的换道数据。此外,在实际的驾驶过程中,一段完整的驾驶数据大部分为冗余数据,因此将原数据集的采样频率调整为5 Hz(在原数据集的基础上每隔一个点采样一次),以减少模型运算成本。最后采用卡尔曼滤波器对数据进行平滑处理,以减少原始数据的扰动与噪声,以Vehicle_ID=2车辆为例,数据预处理前后对比如图3所示。图 3数据预处理前后对比为了能够正确地提取出换道数据,还需要为基础数据集增添车辆的换道标签,将车辆的轨迹数据进行标签处理,标签分类为:左换道、右换道、直行。图4所示为某一车辆Si的换道轨迹,为了区分该轨迹的换道类别,具体操作如下:(1)确定换道点并计算出航向角:根据车辆换道轨迹,选取车辆
12、行驶轨迹与车道线的交点作为换道点,到达换道点的时刻定义为换道时刻t,并根据公式(3)求得t时刻该车辆的航向角。=arctan()local_x(t)-local_x(t-3)local_y(t)-local_y(t-3)(3)(2)计算换道起点与换道终点:选定=1.5作为航向角变化阈值,根据换道过程中车辆航向角的变化来确定车辆行驶轨迹的换道起点与换道终点,其中换道起点到换道终点之间的轨迹标记为换道过程点。具体步骤:当确定换道终点时,从确定的换道点开始对车辆行驶轨迹进 行 正 向 遍 历 并 求 得 每 个 时 刻 的 航 向 角i(i T,T为车辆轨迹时间序列),当遍历到 3 个连续采样点对应
13、的航向角变化量|i 时,则停止遍历,并将第一次达到变化阈值的位置标记为换道终点,同理可以求得该轨迹的换道起点。(3)在得到换道样本后,为解决每个换道样本序列的长度不一致问题,本文利用滑动窗口的思想提取出长度一致的换道样本。具体来说,将时间步长设定为3 s,每个序列的采样个数为30个,对最后一个采样点进行标签分类,具体分为左换道、右换道和直行序列。Se换道过程点换道起点换道终点航向角Si SeSi图 4车辆轨迹分类依据2 2.3 3试验分析试验分析根据实际数据提取结果,所得样本序列共有164257条序列,其中直行序列111515条,右转序列28549条,左转序列24238条。从上述数据可知直行序
14、列远远多于换道序列,为了保证模型验证的有效性,从中均匀选取出24000条数据,按照82的比例随机分成训练样本和测试样本,并将得到的训练集与测试集进行标准化 12胡哲铭等:基于LSTM的车辆并道意图识别及跟驰模型改进研究第12期以方便模型训练。意图识别模型的识别结果直接关系到跟驰模型优化的结果。为验证基于LSTM的意图识别模型性能,本文选取SVM模型7作为模型好坏评判的基准模型,从精确率、召回率、F1-分数和准确率四个方向对两个模型进行了比较。预测模型结果见表3。从表3可以看出,基于LSTM的模型在各项指标上均接近90%及以上,且LSTM的意图识别模型在四项指标上均优于SVM模型。经观察发现,实
15、验中有小部分样本出现误判的情况,分析原因可能是在车辆行驶过程中,部分车辆在变道时过于平滑,使得变道过程拉长从而被误判为直线行驶;或是车辆受到扰动使得车辆运动状态产生较大波动以及车辆尝试变道但未成功而被误判成换道行为。表 3模型结果对比评估指标换道意图直线行驶向右换道向左换道精确率LSTM0.96790.91270.9145SVM0.90150.90660.9032召回率LSTM0.96740.86830.8636SVM0.91140.83490.8328F1-分数LSTM0.96580.87580.8707SVM0.92530.86930.8665准确率LSTM0.9447SVM0.9019此
16、外,为了能够帮助主车提前识别出旁车的并道意图,还需要分析意图识别模型在不同预判时间下换道意图识别的准确率。本文选取车辆换道前3 s的序列(从换道点向前每隔0.5 s选取一次样本)作为输入,比较模型在换道前不同时刻的识别精度,如图5所示。95908580757065600.00.51.01.52.02.53.0Predicting Time/sAccuracy/%图 5模型预测时间-准确率从图5可以得出,随着车辆驶近换道点,模型换道意图预测的准确率逐渐增大。当车辆距离到达换道点还有1 s时,模型识别车辆换道意图的准确率可以达到80%;当车辆到达换道点时,模型识别的准确率高达96%。车辆在高速公路
17、上的平均换道时间为 3.5 s6.5 s,平均每4.5 s可以完成一次车辆换道8。考虑到车辆在实际换道过程中,换道前所花的时间大于换道后调整车辆运动状态所花的时间,假设车辆换道前后所占时间比例为73,则意图识别模型在旁车到达换道点之前2 s便能做出预测。总体来看,本文所提基于LSTM的意图识别模型具有良好的预测效果,能为后续的跟驰模型改进工作提供有效的帮助。3考虑旁车并道的跟驰模型改进3 3.1 1跟驰模型的选择跟驰模型的选择跟驰模型理论主要用于描述驾驶人在行驶过程中跟驰前方车辆的驾驶行为,可以较好地反映前车运动状态变化引起自车状态变化的过程。根据这种反应机理可以将现有的跟驰模型分为安全距离跟
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 LSTM 车辆 意图 识别 模型 改进 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。