面向自动驾驶应用的周车轨迹群体交互式预测
发布时间：2022-01-14 23:43
周围交通参与者行驶轨迹的准确预测是自动驾驶汽车进行自主决策的基础。现有研究多从单车驾驶行为出发,依赖线性递推进行轨迹预测,仅适用于稀疏交通场景,且不能嵌入道路几何结构信息。当交通流更加密集时,多车群体中冲突博弈行为频繁、交互关系强烈,现有方法在该场景中的准确度随预测时域增长而急剧下降。本课题以周车轨迹预测为主题,通过引入结构化循环神经网络解决周车群体间博弈交互关系建模难题,设计了典型道路交通元素的关键特征提取方法,提出了周车轨迹的群体交互式预测算法,实现高速公路密集交通场景下多周车、长时域、高精度的轨迹预测。首先,针对道路交通元素形式多样、差异较大的问题,设计典型道路交通元素的描述方法,提取用于轨迹预测的通用性特征,避免脱离道路结构进行轨迹预测,提高预测模型的泛用性。设计道路结构、障碍物等典型交通要素的网格数值化规则,定义5种不同精细程度的二维矩阵形式的场景地图与基于碰撞风险的赋值规则。构建用于特征提取的深度卷积神经网络,其中前4层卷积-池化层用于提取交通元素的时空特征,后5层全连接层用于进一步挖掘深层特征。其次,针对周车群体间行为冲突强烈、交互频繁的问题,设计群体交互式轨迹预测算法,...
【文章来源】：清华大学北京市 211工程院校 985工程院校 教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
基于物理模型的周车轨迹预测方法示意图[3]
第1章绪论6在线学习不同行为模式下对应的原型轨迹[27]。图1.2不同行为模式下的原型轨迹[3]除了提取若干条原型轨迹，许多研究表明高斯过程（GaussianProcess）也适合表示道路交通环境下的行为模式[28-30]。高斯过程可视为高斯分布的一种推广，假设数据集中的轨迹均为从高斯过程中采样得到的函数，通过拟合这些轨迹服从的高斯分布，可以获得行为模式的高斯过程表达形式。相比上述几种方法，高斯过程法的优点是对轨迹噪声的鲁棒性更高，缺点是计算复杂度也更高。获得原型轨迹或拟合高斯过程后即得到行为模式的轨迹表达形式，在线预测时首先通过计算历史轨迹与原型轨迹相似性距离，选取与历史轨迹最相似的行为模式。现有研究常用的定义轨迹相似性距离的量度包括：平均欧几里得（Euclidian）距离[31]，修正豪斯多夫（Hausdorff）距离[24]，最长公共子序列（LongestCommonSubsequence，LCS）[32]，四元旋转不变最长公共子序列（Quaternion-basedRotationallyInvariantLCS）[26]等。计算历史轨迹到每种行为模式的距离后，最简单的预测未来轨迹方法是Hu等人（2005）提出的直接选取距离最近的行为模式作为唯一的预测基准模型[31]。也可以根据多种行为模式的概率分布将其混合作为预测基准模型，如Joseph等人（2010）选取距离最近的几种行为模式，将其加权后合为一种预测基准模型[28]；Hermes等人（2009）[26]与Aoude等人（2011）[29]利用不同行为模式生成相应的几条可能的未来轨迹。另外，Wiest等人（2013）提出的分层混合专家方法（HierarchicalMixtureofExperts）则在此基础上增加了处理信号灯、道路结构类型等分类变量的功能[33]。根据基准模型（即识别到的行为模式）生成预测轨迹的方法有两类：一类是决定性方法，即从基?
第1章绪论7（Rapidly-exploringRandomTree）。其中高斯过程可以从数据集的轨迹拟合结果中选取符合识别到的行为模式的模型，如图1.3(a)所示[35]；快速搜索随机树可以通过在节1.2.2所述车辆物理模型的输入空间中随机采样，并在采样结果中根据行为模式加入相应的偏置，如图1.3(b)所示[36]。Althoff等人（2009）还提出了使用可达集作为车辆未来轨迹的一种新的表达方式，同样适合概率性轨迹生成，如图1.3(c)所示[37]。(a)快速搜索随机树法(b)高斯噪声法(c)可达集法图1.3典型的轨迹生成方法示意图[3]原型轨迹法的主要局限在于轨迹是关于时间的严格确定性函数，通常需要大量原型轨迹以描述行为模式在实际执行中的随机变化。特别地，当车辆轨迹中包含停车行为行为模式（如在停车线前停车或拥堵交通中的“走走停停”等）时，一般需要剔除其轨迹中停车的时间段，才能正常计算历史轨迹与原型轨迹的相似性距离。虽然高斯过程法可通过设计不含时间项的函数描述行为模式，在一定程度上解决时间依赖（time-dependent）的问题，但也有其他不足：计算成本大，缺乏考虑车辆本身物理约束的能力，可能生成不真实的轨迹。使用原型轨迹法的另一大困难是对不同道路结构的适应性问题，特别是在交叉口场景下，在某一交叉口结构下训练的预测模型只能在相似的几何结构下才能再利用。（2）意图识别法估计驾驶人的行为意图（如：在停车线等待，跟车，左转等），预测车辆的连续物理状态，保持符合识别到的行为反应在车辆上可能的执行过程。意图识别法相对于原型轨迹法的主要优点是不需要匹配历史轨迹与原型轨迹，而是通过提取更高层次的轨迹特征识别行为意图，从而提高预测模型在不同道路结构中的泛用性。常用的识别驾驶人行为意图的特征包括：车辆物理状态（?
【参考文献】：
期刊论文
[1]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报. 2017(06)
[2]智能网联汽车（ICV）技术的发展现状及趋势[J]. 李克强,戴一凡,李升波,边明远. 汽车安全与节能学报. 2017(01)
本文编号：3589452
【文章来源】：清华大学北京市 211工程院校 985工程院校 教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
基于物理模型的周车轨迹预测方法示意图[3]
第1章绪论6在线学习不同行为模式下对应的原型轨迹[27]。图1.2不同行为模式下的原型轨迹[3]除了提取若干条原型轨迹，许多研究表明高斯过程（GaussianProcess）也适合表示道路交通环境下的行为模式[28-30]。高斯过程可视为高斯分布的一种推广，假设数据集中的轨迹均为从高斯过程中采样得到的函数，通过拟合这些轨迹服从的高斯分布，可以获得行为模式的高斯过程表达形式。相比上述几种方法，高斯过程法的优点是对轨迹噪声的鲁棒性更高，缺点是计算复杂度也更高。获得原型轨迹或拟合高斯过程后即得到行为模式的轨迹表达形式，在线预测时首先通过计算历史轨迹与原型轨迹相似性距离，选取与历史轨迹最相似的行为模式。现有研究常用的定义轨迹相似性距离的量度包括：平均欧几里得（Euclidian）距离[31]，修正豪斯多夫（Hausdorff）距离[24]，最长公共子序列（LongestCommonSubsequence，LCS）[32]，四元旋转不变最长公共子序列（Quaternion-basedRotationallyInvariantLCS）[26]等。计算历史轨迹到每种行为模式的距离后，最简单的预测未来轨迹方法是Hu等人（2005）提出的直接选取距离最近的行为模式作为唯一的预测基准模型[31]。也可以根据多种行为模式的概率分布将其混合作为预测基准模型，如Joseph等人（2010）选取距离最近的几种行为模式，将其加权后合为一种预测基准模型[28]；Hermes等人（2009）[26]与Aoude等人（2011）[29]利用不同行为模式生成相应的几条可能的未来轨迹。另外，Wiest等人（2013）提出的分层混合专家方法（HierarchicalMixtureofExperts）则在此基础上增加了处理信号灯、道路结构类型等分类变量的功能[33]。根据基准模型（即识别到的行为模式）生成预测轨迹的方法有两类：一类是决定性方法，即从基?
第1章绪论7（Rapidly-exploringRandomTree）。其中高斯过程可以从数据集的轨迹拟合结果中选取符合识别到的行为模式的模型，如图1.3(a)所示[35]；快速搜索随机树可以通过在节1.2.2所述车辆物理模型的输入空间中随机采样，并在采样结果中根据行为模式加入相应的偏置，如图1.3(b)所示[36]。Althoff等人（2009）还提出了使用可达集作为车辆未来轨迹的一种新的表达方式，同样适合概率性轨迹生成，如图1.3(c)所示[37]。(a)快速搜索随机树法(b)高斯噪声法(c)可达集法图1.3典型的轨迹生成方法示意图[3]原型轨迹法的主要局限在于轨迹是关于时间的严格确定性函数，通常需要大量原型轨迹以描述行为模式在实际执行中的随机变化。特别地，当车辆轨迹中包含停车行为行为模式（如在停车线前停车或拥堵交通中的“走走停停”等）时，一般需要剔除其轨迹中停车的时间段，才能正常计算历史轨迹与原型轨迹的相似性距离。虽然高斯过程法可通过设计不含时间项的函数描述行为模式，在一定程度上解决时间依赖（time-dependent）的问题，但也有其他不足：计算成本大，缺乏考虑车辆本身物理约束的能力，可能生成不真实的轨迹。使用原型轨迹法的另一大困难是对不同道路结构的适应性问题，特别是在交叉口场景下，在某一交叉口结构下训练的预测模型只能在相似的几何结构下才能再利用。（2）意图识别法估计驾驶人的行为意图（如：在停车线等待，跟车，左转等），预测车辆的连续物理状态，保持符合识别到的行为反应在车辆上可能的执行过程。意图识别法相对于原型轨迹法的主要优点是不需要匹配历史轨迹与原型轨迹，而是通过提取更高层次的轨迹特征识别行为意图，从而提高预测模型在不同道路结构中的泛用性。常用的识别驾驶人行为意图的特征包括：车辆物理状态（?
【参考文献】：
期刊论文
[1]中国汽车工程学术研究综述·2017[J]. 《中国公路学报》编辑部. 中国公路学报. 2017(06)
[2]智能网联汽车（ICV）技术的发展现状及趋势[J]. 李克强,戴一凡,李升波,边明远. 汽车安全与节能学报. 2017(01)
本文编号：3589452
本文链接：https://www.wllwen.com/kejilunwen/qiche/3589452.html
