针对当前车辆变道轨迹预测精度不足的问题,基于注意力长短期记忆网络(Attention-Long Short Term Memory,Attention-LSTM)提出一种融合变道意图识别的车辆变道轨迹预测模型。构建基于期望最大化-隐马尔可夫(Expectation Maximum-Hidden ...针对当前车辆变道轨迹预测精度不足的问题,基于注意力长短期记忆网络(Attention-Long Short Term Memory,Attention-LSTM)提出一种融合变道意图识别的车辆变道轨迹预测模型。构建基于期望最大化-隐马尔可夫(Expectation Maximum-Hidden Markov Model,EM-HMM)算法的变道意图识别模型,在模型中引入短期驾驶风格检测网络,以提升识别精度;在此基础上提出一种融合变道意图识别的变道轨迹预测模型,对模型的网络结构进行深度优化,以进一步提升模型预测精度;最后结合实车数据进行验证实验。实验结果表明:引入短期驾驶风格检测网络的变道意图识别模型的识别准确率达92.3%;经网络结构优化后的变道轨迹预测模型,对于车辆向右变道时的横向轨迹预测偏差降低至0.33 m,向左变道时的横向轨迹预测偏差降低至0.22 m。展开更多
文摘针对当前车辆变道轨迹预测精度不足的问题,基于注意力长短期记忆网络(Attention-Long Short Term Memory,Attention-LSTM)提出一种融合变道意图识别的车辆变道轨迹预测模型。构建基于期望最大化-隐马尔可夫(Expectation Maximum-Hidden Markov Model,EM-HMM)算法的变道意图识别模型,在模型中引入短期驾驶风格检测网络,以提升识别精度;在此基础上提出一种融合变道意图识别的变道轨迹预测模型,对模型的网络结构进行深度优化,以进一步提升模型预测精度;最后结合实车数据进行验证实验。实验结果表明:引入短期驾驶风格检测网络的变道意图识别模型的识别准确率达92.3%;经网络结构优化后的变道轨迹预测模型,对于车辆向右变道时的横向轨迹预测偏差降低至0.33 m,向左变道时的横向轨迹预测偏差降低至0.22 m。
