基于Residual BiLSTM网络的车辆切入意图预测研究

doi:10.19562/j.chinasae.qcgc.2021.07.003

摘要/Abstract

摘要：

本文中根据中国实际道路特征，提出一种基于Residual BiLSTM网络的车辆切入意图预测模型，从切入车辆的轨迹信息和与自车的交互信息中提取切入特征，并采用softmax函数计算切入意图，分别为左车道保持、左车道插入、右车道插入和右车道保持的概率，最后利用中国复杂路况的自然驾驶数据集对预测模型进行训练和测试。结果表明，所提出的Residual BiLSTM车辆切入意图预测模型有明显优势，其准确率比LSTM提升8.2个百分点，且能较早地预测出车辆的切入意图，对提高自动驾驶车辆的决策规划能力和安全性具有重要的意义。

关键词: 自动驾驶, 切入意图预测, 深度学习, 交互信息, 自然驾驶数据

Abstract:

A vehicle cut?in intention prediction model based on Residual BiLSTM network is proposed in this paper according to the real road features in China. The cut?in features are extracted from the trajectory information of the cut?in vehicle and its interaction information with ego vehicle， and the softmax function is used to calculate the cut?in intention， e.i. the probability of left lane keeping， left lane cut?in， right lane cut?in or right lane keeping respectively. Finally， the prediction model is trained and tested with the naturalistic driving data set on the complex roads in China. The results show that the Residual BiLSTM model proposed has obvious advantages in cut?in intention prediction， with an accuracy 8.2 percentage points higher than that of LSTM model， and can predict the vehicle cut?in intention earlier， being of great significance in enhancing the decision?making and planning ability and safety of autonomous vehicles.

Key words: autonomous driving, cut?in intention prediction, deep learning, interaction information, naturalistic driving data

郭景华,肖宝平,王靖瑶,罗禹贡,陈涛,李克强. 基于Residual BiLSTM网络的车辆切入意图预测研究[J]. 汽车工程, 2021, 43(7): 971-977.

Jinghua Guo,Baoping Xiao,Jingyao Wang,Yugong Luo,Tao Chen,Keqiang Li. Study on Vehicle Cut⁃in Intention Prediction Based on Residual BiLSTM Network[J]. Automotive Engineering, 2021, 43(7): 971-977.

图/表 13

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

表 1

表 2

图 10

图 11

参考文献 16

1	SCHEEL O， SCHWARZ L， NAVAB N， et al. Situation assessment for planning lane changes： combining recurrent models and prediction［C］. 2018 IEEE International Conference on Robotics and Automation （ICRA）， 2018： 2082-2088.
2	LIU Q X， XU S H， LU C， et al. Early recognition of driving intention for lane change based on recurrent hidden semi⁃Markov model［J］. IEEE Transactions on Vehicular Technology， 2020， 69（10）： 10545-10557.
3	KASPER D， WEIDL G， DANG T， et al. Object⁃oriented Bayesian networks for detection of lane change maneuvers［J］. IEEE Intelligent Transportation Systems Magazine， 2012， 4（3）： 19-31.
4	OH C， CHOI J， PARK S. In⁃depth understanding of lane changing interactions for in⁃vehicle driving assistance systems［J］. International Journal of Automotive Technology， 2017， 18（2）： 357-363.
5	刘志强，吴雪刚，倪捷，等. 基于HMM和SVM级联算法的驾驶意图识别［J］. 汽车工程， 2018， 40（7）： 858-864.
	LIU Z Q， WU X G， NI J， et al. Driving intention recognition based on HMM and SVM cascade algorithm［J］. Automotive Engineering， 2018， 40（7）： 858-864.
6	ZHU B， YAN S D， ZHAO J， et al. Personalized lane⁃change assistance system with driver behavior identification［J］. IEEE Transactions on Vehicular Technology， 2018， 67（11）： 10293-10306.
7	黄玲，郭亨聪，张荣辉，等. 人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型［J］. 中国公路学报， 2020， 33（7）： 156-166.
	HUANG L， GUO H C， ZHANG R H， et al. LSTM⁃based lane⁃changing behavior model for unmanned vehicle under the environment of heterogeneous human⁃driven and autonomous vehicles［J］. China Journal of Highway and Transport， 2020， 33（7）： 156-166.
8	WANG X， JIANG R， LIN Y L， et al. Capturing car⁃following behaviors by deep learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 19（3）： 910-920.
9	ZYNER A， WORRALL S， WARDA J， et al. Long short term memory for driver intent prediction［C］. 2017 IEEE Intelligent Vehicles Symposium （IV）， 2017： 1484-1489.
10	郭景华，李克强，王进，等. 基于危险场景聚类分析的前车随机运动状态预测研究［J］. 汽车工程， 2020， 42（7）： 847-853.
	GUO J H， LI K Q， WANG J， et al. Study on prediction of preceding vehicle's stochastic motion based on risk scenarios clustering analysis ［J］. Automotive Engineering， 2020， 42（7）： 847-853.
11	TOLEDO T，ZOHAR D. Modeling duration of lane changes［J］. Transportation Research Record， 2007， 1999（1）： 71-78.
12	SU S， MUELLING K， DOLAN J， et al. Learning vehicle surrounding⁃aware lane⁃changing behavior from observed trajectories［C］. 2018 IEEE Intelligent Vehicles Symposium （IV），2018： 1412-1417.
13	季学武，费聪，何祥坤，等. 基于LSTM网络的驾驶意图识别及车辆轨迹预测［J］. 中国公路学报， 2019， 32（6）： 34-42.
	JI X W， FEI C， HE X K， et al. Intention recognition and trajectory prediction for vehicles using LSTM network［J］. China Journal of Highway and Transport， 2019， 32（6）： 34-42.
14	JEONG Y， YI K. Bidirectional long shot⁃term memory⁃based interactive motion prediction of cut⁃in vehicles in urban environments［J］. IEEE Access， 2020， 8： 106183-106197.
15	李永刚，王朝晖，万晓依，等. 基于深度残差双单向DLSTM的时空一致视频事件识别［J］. 计算机学报， 2018， 41（12）： 2852-2866.
	LI Y G， WANG Z H， WAN X Y， et al. Deep residual dual unidirectional DLSTM for video event recognition with spatial⁃temporal consistency ［J］. Chinese Journal of Computers， 2018， 41（12）： 2852-2866.
16	WIRTHMULLER F， SCHLECHTRIEMEN J， HIPP J， et al. Teaching vehicles to anticipate： a systematic study on probabilistic behavior prediction using large data sets［J］. IEEE Transactions on Intelligent Transportation Systems， 2020： 1-16.

评价指标		精确率	召回率	F1?分数	准确率
意图	左保持	90.6	81.8	86.0	85.2
	左插入	83.5	93.0	88.0
	右插入	82.9	84.1	83.5
	右保持	84.6	81.8	83.2

评价指标		精确率	召回率	F1?分数	准确率
意图	左保持	96.6	93.0	94.8	93.4
	左插入	94.0	97.3	95.6
	右插入	91.0	93.6	92.3
	右保持	92.2	89.7	90.9

[1]	付新科,蔡英凤,陈龙,王海,刘擎超. 不确定性环境下的自动驾驶汽车行为决策方法[J]. 汽车工程, 2024, 46(2): 211-221.
[2]	赵晓聪,房世玉,李子睿,孙剑. 社会性驾驶交互关键效用析取与应用[J]. 汽车工程, 2024, 46(2): 230-240.
[3]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[4]	马艳丽, 秦钦, 董方琦, 娄艺苧. 基于风险场的不同认知次任务下接管风险评估模型[J]. 汽车工程, 2024, 46(1): 9-17.
[5]	刘卫国,项志宇,刘伟平,齐道新,王子旭. 基于分布式强化学习的车辆控制算法研究[J]. 汽车工程, 2023, 45(9): 1637-1645.
[6]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[7]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[8]	朱向雷,吴志新,张宇飞,赵帅,李克秋,孙博华. 基于场景降维及采样方法的场景库优化方法研究[J]. 汽车工程, 2023, 45(8): 1408-1416.
[9]	吴新政,邢星宇,刘力豪,沈勇,陈君毅. 基于错误注入的决策规划系统抗扰性测试与分析[J]. 汽车工程, 2023, 45(8): 1428-1437.
[10]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[11]	芦涛,金馨,廖毅霏,黄圣杰,杨依琳,谢国涛,秦晓辉. 基于雅克比域零空间边缘化的视觉SLAM[J]. 汽车工程, 2023, 45(8): 1457-1467.
[12]	伍文广,田双岳,张志勇,张斌. 非铺装道路凹凸不平特征语义分割方法研究[J]. 汽车工程, 2023, 45(8): 1468-1478.
[13]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[14]	赵东宇, 赵树恩. 基于级联YOLOv7的自动驾驶三维目标检测[J]. 汽车工程, 2023, 45(7): 1112-1122.
[15]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.