为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNL...为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。展开更多
在交通场景中采用一些预警措施能够有效地减少交通事故发生。例如,对车辆轨迹进行跟踪并预测车辆的驾驶行为,就是一个常用的预警方法。在对车辆进行跟踪的过程中,数据关联是很重要的部分,它可以对车辆的观测点和轨迹进行关联,从而更新...在交通场景中采用一些预警措施能够有效地减少交通事故发生。例如,对车辆轨迹进行跟踪并预测车辆的驾驶行为,就是一个常用的预警方法。在对车辆进行跟踪的过程中,数据关联是很重要的部分,它可以对车辆的观测点和轨迹进行关联,从而更新车辆的轨迹,完成跟踪过程。在此背景下,提出了一种新的数据关联算法,即k近邻联合概率数据关联算法(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)。实验结果表明,该算法能够较好地解决在交通场景下车辆数据的数据关联问题,在精度以及运行效率方面都有所提高。展开更多
自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹...自动安全换道是车辆实现无人驾驶的关键,为精确识别行驶车辆换道状态,保证行车安全,设计了一种基于多分类支持向量机(Multi-class Support Vector Machine,Multiclass SVM)的车辆换道识别模型。从NGSIM数据集中选取美国101公路车辆轨迹数据进行分类处理,并将车辆换道过程划分为车辆跟驰阶段、车辆换道准备阶段和车辆换道执行阶段。采用网格搜索结合粒子群优化算法(Grid Search-PSO)对SVM模型中惩罚参数C和核参数g进行寻优标定,利用多分类支持向量机换道识别模型对样本数据进行训练和测试,模型测试精度达97.68%。研究表明,模型能够很好地识别车辆在换道过程中的行为状态,为车辆换道阶段的研究提供支持。展开更多
文摘为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。
文摘在交通场景中采用一些预警措施能够有效地减少交通事故发生。例如,对车辆轨迹进行跟踪并预测车辆的驾驶行为,就是一个常用的预警方法。在对车辆进行跟踪的过程中,数据关联是很重要的部分,它可以对车辆的观测点和轨迹进行关联,从而更新车辆的轨迹,完成跟踪过程。在此背景下,提出了一种新的数据关联算法,即k近邻联合概率数据关联算法(k Nearest Neighbor-Joint Probability Data Association,kNN-JPDA)。实验结果表明,该算法能够较好地解决在交通场景下车辆数据的数据关联问题,在精度以及运行效率方面都有所提高。
