人机混驾环境下基于深度学习的车辆切入轨迹预测

doi:10.19562/j.chinasae.qcgc.2022.02.001

摘要/Abstract

摘要：

为保证人机混驾环境下自动驾驶汽车的安全行驶，对周围车辆切入轨迹的预测至关重要。本文首先使用Savitzky-Golay滤波器对大规模采集的自然驾驶数据进行去噪处理，根据准则提取车辆切入片段，建立符合中国道路状况的车辆切入数据集。其次，发挥Bi-LSTM网络能充分利用上下文信息的优点和in-out快捷连接有效减少梯度消失和网络退化的能力，提出了一种基于深度学习的改进型Bi-LSTM神经网络，来预测车辆的切入轨迹，在双向长短时记忆网络的基础上引入快捷连接，并综合考虑了自车对周边车辆切入的影响。利用自然驾驶数据集和NGSIM数据集进行试验验证，结果表明，本文提出的改进型Bi-LSTM预测模型的轨迹预测效果明显优于其他方法，对增强自动驾驶汽车的安全性具有重要的意义。

关键词: 自动驾驶, 切入轨迹预测, 人机混驾, 深度学习, 改进型Bi-LSTM

Abstract:

In order to ensure the safe driving of autonomous vehicles in a human-machine mixed driving environment， the prediction of the cut-in trajectory of surrounding vehicles is of paramount importance. Firstly in this paper， the Savitzky-Golay filter is used for the denoise treatment of large-scale natural driving data collected， the vehicle cut-in fragments are extracted based on criteria， and the vehicle cut-in dataset consistent with the road conditions in China is established. Secondly， by giving play to the advantage of Bi-LSTM in fully utilizing context and the ability of in-out swift connection in effectively reducing gradient disappearance and network degeneration， an improved bi-directional long short-term memory （Bi-LSTM） neural network based on deep learning is proposed to predict the trajectory of cut-in vehicle， and the swift connection is introduced on the basis of Bi-LSTM with comprehensive consideration of the effects of ego vehicle on the cut-in of surrounding vehicles. A test verification is conducted on the natural driving dataset and NGSIM dataset with a result showing that the trajectory prediction effects of the improved Bi-LSTM prediction model proposed are significantly better than other methods， having important significance in enhancing the safety of autonomous vehicles.

Key words: autonomous driving, cut-in trajectory prediction, human-machine mixed driving, deep learning, improved Bi-LSTM

郭景华,何智飞,罗禹贡,李克强. 人机混驾环境下基于深度学习的车辆切入轨迹预测[J]. 汽车工程, 2022, 44(2): 153-160.

Jinghua Guo,Zhifei He,Yugong Luo,Keqiang Li. Vehicle Cut-in Trajectory Prediction Based on Deep Learning in a Human-machine Mixed Driving Environment[J]. Automotive Engineering, 2022, 44(2): 153-160.

图/表 15

图1

图2

图3

图4

图5

图6

图7

表1

图8

表2

图9

图10

表3

图11

图12

参考文献 17

1	郭景华，李克强，罗禹贡. 智能车辆运动控制研究综述［J］. 汽车安全与节能学报， 2016， 7（2）： 151-159.
	GUO J H， LI K Q， LUO Y G. Review on the research of motion control for intelligent vehicles［J］. Automotive Safety and Energy， 2016， 7（2）：151-159.
2	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）， June 26-30， Changshu， Suzhou， China. IEEE： 1412-1417.
3	YAO W， ZHAO H J， BONNIFAIT P， et al. Lane change trajectory prediction by using recorded human driving data［C］. 2013 IEEE Intelligent Vehicles Symposium （Iv）， Gold Coast， Australia. IEEE： 430-436.
4	SCHREIER M， WILLERT V， ADAMY J. Bayesian， maneuver-based， long-term trajectory prediction and criticality assessment for driver assistance systems［C］. 2014 Ieee 17th International Conference on Intelligent Transportation Systems （Itsc）， Qingdao， China. IEEE： 334-341.
5	LAUGIER C， PAROMTCHIK I E， PERROLLAZ M， et al. Probabilistic analysis of dynamic scenes and collision risks assessment to improve driving safety ［J］. IEEE Intelligent Transportation Systems Magazine， 2011， 3（4）： 4-19.
6	WIEST J， HOFFKEN M， KRESSEL U， et al. Probabilistic trajectory prediction with gaussian mixture models［C］. 2012 IEEE Intelligent Vehicles Symposium （Iv）， Madrid， Spain. IEEE： 141-146.
7	ALTCHE F， DE LA FORTELLE A. An LSTM network for highway trajectory prediction［C］. 2017 IEEE 20th International Conference on Intelligent Transportation Systems （Itsc）， Yokohama， Japan. IEEE.
8	XING Y， LV C， CAO D P. Personalized vehicle trajectory prediction based on joint time-series modeling for connected vehicles ［J］. IEEE Transactions on Vehicular Technology， 2020， 69（2）： 1341-1352.
9	MESSAOUD K， YAHIAOUI I， VERROUST-BLONDET A， et al. Attention based vehicle trajectory prediction ［J］. IEEE Transactions on Intelligent Vehicles， 2021， 6（1）： 175-185.
10	XIE G， SHANGGUAN A N， FEI R， et al. Motion trajectory prediction based on a CNN-LSTM sequential model ［J］. Science China-Information Sciences， 2020， 63（11）.
11	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）： 847-853，859.
	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）： 847-853，859.
12	郭景华，肖宝平，王靖瑶，等. 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.
	GUO J H，XIAO B P， WANG J Y， et al.Study on vehicle cut⁃in intention prediction based on residual bilstm network［J］. Automotive Engineering， 2021， 43（7）： 971-977.
13	DEO N， TRIVEDI M M. Convolutional social pooling for vehicle trajectory prediction［C］. Proceedings 2018 Ieee/Cvf Conference on Computer Vision and Pattern Recognition Workshops （Cvprw）， Salt Lake City， UT， USA. IEEE： 1549-1557.
14	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （Cvpr）， Las Vegas， NV， USA. IEEE： 770-778.
15	VEMULA A， MUELLING K， OH J. Social attention： modeling attention in human crowds ［J］. 2018 Ieee International Conference on Robotics and Automation （Icra）， 2018： 4601-4607.
16	WANG W H， YANG N， WEI F R， et al. Gated self-matching networks for reading comprehension and question answering［C］. Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics （Acl 2017）， Vancouver， CANADA.1： 189-198.
17	ALEXIADIS V， COLYAR J， HALKIAS J， et al. The next generation simulation program ［J］. Ite Journal-Institute of Transportation Engineers， 2004， 74（8）： 22-26.

模型	评价指标
模型	ADE/m	FDE/m
GRU	3.008	4.376
LSTM	2.270	2.929
Bi-GRU	2.652	3.816
Bi-LSTM	2.249	3.410
改进型Bi-LSTM	0.961	1.746

模型	评价指标
模型	ADE/m	FDE/m
GRU	2.236	2.486
LSTM	2.707	3.158
Bi-GRU	1.814	2.884
Bi-LSTM	1.741	2.929
改进型Bi-LSTM	1.366	2.318

[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.