期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于LSTM-多头混合注意力的可解释换道意图预测
1
作者
高凯
刘健
+3 位作者
刘林鸿
刘欣宇
张金来
杜荣华
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024年第5期763-773,共11页
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shaple...
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。
展开更多
关键词
自动驾驶汽车
换道意图预测
注意力机制
长短期记忆神经网络(LSTM)
shapley
加
性
解释
方法
(
shap
)
在线阅读
下载PDF
职称材料
题名
基于LSTM-多头混合注意力的可解释换道意图预测
1
作者
高凯
刘健
刘林鸿
刘欣宇
张金来
杜荣华
机构
长沙理工大学汽车与机械工程学院
长沙理工大学智能道路与车路协同湖南省重点实验室
出处
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024年第5期763-773,共11页
基金
湖南省自然科学基金项目(2024JJ5023)
国家自然科学基金青年项目(62403076)。
文摘
为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。
关键词
自动驾驶汽车
换道意图预测
注意力机制
长短期记忆神经网络(LSTM)
shapley
加
性
解释
方法
(
shap
)
Keywords
autonomous driving vehicles
lane change intention prediction
attention mechanism
long short-term memory(LSTM)
shapley
additive explanations(
shap
)
分类号
U461 [机械工程—车辆工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于LSTM-多头混合注意力的可解释换道意图预测
高凯
刘健
刘林鸿
刘欣宇
张金来
杜荣华
《汽车安全与节能学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
