基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。     

信号交叉口上游路段网联车换道博弈特性及模型

为提高网联驾驶车辆在信号交叉口上游路段与驾驶员车辆换道博弈的主动性,以左转网联驾驶车辆为研究对象分析该路段的强制换道博弈特性。首先,通过分析信号交叉口上游路段车辆的行驶意图和换道行为,设定驾驶人期望函数来客观反映车辆的行驶需求,以车辆的安全和行驶效率为收益并进行量化,在完全信息的假设下通过博弈均衡解得到最优换道决策来实现换道收益最大化;其次,为提高换道的舒适性,以五次多项式规划换道轨迹并实现网联驾驶车辆对驾驶员车辆博弈换道的过程;最后,利用仿真试验对模型进行验证,分析不同换道位置和绿灯剩余时间等因素对网联驾驶车辆决策的影响。研究结果表明,在信号交叉口上游非合作博弈强制换道过程中,随单位换道位置增加换道概率平均增加0.69%,随单位绿灯剩余时间增加车辆换道概率平均降低0.82%。通过仿真分析信号交叉口上游路段车辆的博弈换道特性和决策倾向,有利于为网联驾驶车辆换道提供决策引导。     

基于双曲正切函数的小客车换道轨迹模型

通过Simi-Motion软件提取高速公路出口路段无人机航拍视频的左换道(LLC)和右换道(RLC)车辆轨迹数据,基于双曲正切函数建立了新的车辆换道轨迹模型,将新模型与传统的样条曲线函数、五次多项式、正弦函数轨迹模型进行对比分析.通过对模型参数的敏感性分析、拟合优度检验、CarSim仿真分析证明了新模型的特点和适用性.研究表明:相比于传统的换道轨迹模型,新模型具有较高的拟合精度,且模型中各参数均具有实际物理意义,模型中参数τ值表征驾驶员出口路段换道行为的紧急程度,该参数的存在使得新模型具有普适性和应用价值.利用这一特性,该模型可以生成特定驾驶环境的车辆换道轨迹,有助于与换道有关的道路几何指标研究和驾驶员辅助系统(ADAS)的开发和应用.     

高速路换道意图参数提取及意图阶段确定

针对换道意图辨识研究中的意图表征参数选择与意图阶段确定问题,提出一种新的组合方法.在驾驶模拟器所得原始参数基础上,从参数重要度与相关性角度,使用决策树C4.5算法和皮尔逊相关性分析,最终得到以方向盘转角、车道偏离量和横摆角加速度组成的重要度高且互相关性低的换道意图表征参数组.在此基础上,对方向盘转角和车道偏离量的时间序列进行K-means聚类,确定驾驶人换道意图阶段,并得出意图阶段长度与平均车速近似线性相关,且左换道意图阶段长度大于右换道意图阶段长度.最后,建立连续高斯隐马尔可夫模型,在所得意图表征参数组及意图阶段数据的基础上,训练换道意图识别模型及车道保持识别模型.模型的平均离线识别准确率为90％.并可在左换道开始前1.5 s判断出驾驶人左换道意图,右换道开始前1.4 s判断出驾驶人右换道意图.研究结果表明:基于所得的意图表征参数组及意图阶段所建立的意图识别模型可有效识别驾驶人换道意图,且识别精度较高,时序性较强.该方法可为意图识别研究中意图参数选取及意图阶段确定提供参考.     

基于反向双目识别的驾驶员分心检测

为检测分心驾驶状态,研究了基于反向双目的驾驶状态检测方法。首先,根据Hough算法进行车道线检测和识别,计算车辆偏航率;同时采用多点透视算法对驾驶员头部姿态进行估计;然后建立基于高斯隶属度函数模糊判断规则,根据车辆偏航率与驾驶员头部姿态对驾驶员驾驶状态进行识别。最后,采用所建立的驾驶员驾驶状态识别模型,对车道保持、换道行驶及分心行驶三种不同驾驶状态进行测试。结果表明,建立的驾驶员驾驶状态识别模型对上述三种状态检测准确率分别为99.0%、86.7%、80.8%。     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策，从而提高自动驾驶的安全性，促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测，提出了一种交互式意图预测方法。首先，通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合，在充分考虑周围场景信息后建立了行为识别模型，用于对当前的驾驶行为做出准确的判断。然后，考虑到交通场景复杂多变的特点，提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹，并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用，所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后，在NGSIM数据集对所提出的方法进行验证，结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图，结合未来意图推理模型，能够更加准确地预测出车辆未来的驾驶行为，由此可提高车辆驾驶的安全性。     

驾驶人换道决策分析及意图识别算法设计

为设计一种能在保证准确率的条件下提高识别效率的驾驶人换道意图识别算法,分析驾驶人的换道决策,使用对驾驶人换道决策有影响的环境参数,设计了基于模糊逻辑理论的综合决策因子,反映驾驶人做出换道决策的可能性。提出一种基于隐Markov模型的换道意图识别算法,以综合决策因子与表征车辆横向运动的特征参数为观测变量,以驾驶人意图为隐状态,搭建并训练隐Markov模型,通过其解码方法实现驾驶人的换道意图识别。使用真实驾驶人在驾驶模拟器上进行换道的数据进行算法验证。结果表明:引入综合决策因子作为观测变量之一时,该换道意图识别算法能保证准确性并提高识别效率。     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

八车道高速公路可变信息标志前置距离对驾驶行为的影响

基于驾驶模拟实验,设置3.0、2.5、1.5、0.7 km 4种前置距离的可变信息标志（variable message sign,VMS）,收集32名驾驶员视认4种前置距离的VMS后换道驶出高速公路过程中的方向盘、速度和位置数据,并观察各驾驶员在换道过程中的方向盘操控行为、换道行为、减速行为。结果表明：VMS视认过程属于多任务驾驶行为,驾驶员需在短时间内完成VMS视认、路径决策、车辆减速与换道;当VMS前置距离不足时,驾驶员需快速、大幅转动方向盘,进行连续换道、急换道;为顺利驶入减速车道,部分驾驶员采取减速换道措施,增加了事故风险;当VMS前置距离过长时,驾驶员对VMS的短期记忆效应使得驾驶负荷提高。     

基于车辆对道路不满意度的微观换道决策

自动驾驶汽车有着极大的应用潜力且高速公路环境下车辆变换车道是常见的行为。为进一步分析高速公路中自动驾驶汽车的微观换道决策,本文定义道路不满意度来表示车辆对行驶道路的不满意程度并将车辆换道意图的产生按本车是否达到目标车速而分为两类,当本车达到目标车速时为第一类,换道意图产生源于本车与前车间距的减小和本车相对于前车速度的增加。当本车未达到目标车速时为第二类,换道意图产生源于本车与前车间距的减小和本车达到目标车速时相对于前车移动距离的增大。针对不同类换道意图的产生机制,结合模糊推理设计道路不满意度算法。换道决策利用当前行驶车道和邻近车道的道路不满意度大小、安全跟车距离、换道安全距离来综合决定换道意图的发生。最后在MATLAB环境下搭建自动驾驶环境并仿真换道决策模型,结果显示本文相比其它换道决策,本文不仅考虑换道安全而且也考虑了目标车道和本车道的跟车安全,更具有实际意义。同时本文的模糊换道决策能兼顾安全性和智能性且适用于依目标车速定速巡航、为达到目标车速而加减速等多种复杂工况下的换道情况。     

The surrounding vehicles behavior prediction for intelligent vehicles based on Att-BiLSTM

A surrounding vehicles behavior prediction method was presented for intelligent vehicles. The surrounding vehicles’ behavior is hard to predict since the significant uncertainty of vehicle driving and environmental changes. This method adopts bidirectional long short-term memory (BiLSTM) model combined with an encoder to ensure the memory of long-time series training. By constructing an attention mechanism based on BiLSTM, we consider the importance of different information which could guarantee the encoder’s memory under long sequence. The designed attention-bidirectional LSTM (Att-BiLSTM) model is adopted to ensure the surrounding vehicles’ prediction accuracy and effectiveness.     

毫米波雷达数据驱动的桥梁挠度预测

为监测公路桥梁健康状况从而保证车辆行驶桥面的安全性,基于毫米波雷达监测的桥梁挠度数据,结合深度学习理论,提出了一种基于卷积神经网络（convolutional neural network, CNN）与门控制循环单元（gate recurrent unit, GRU）组合的桥梁挠度预测模型。首先,获取高速公路大桥高精度挠度数据,通过数据预处理,在保留原始数据特征的基础上,修复部分噪声数据;其次,将处理后的样本数据、时间步长和特征数的三维数据,以桥梁挠度数据序列构造的输入矩阵作为输入层,经过CNN-GRU组合模型的密集连接层后,输出预测桥梁挠度值。最后,选取具有代表性的监测点数据,利用均方根误差 (root mean square error, RMSE)、平均绝对误差 (mean absolute error, MAE)、平均百分比误差 (mean absolute percentage error, MAPE)进行预测效果验证。结果表明,CNN-GRU模型的精度更高：较于传统LSTM（long short-term memory）模型在RMSE上提升了59.65%,MAE提升了61.30%;较于CNN-LSTM模型在RMSE上提升了2.48%,MAE提升了4.87%。其对于桥梁挠度极值及趋势的判断基本准确,可以作为桥梁健康状况预测的科学依据。     

基于交通流预测的高速公路收费站车道开闭配置

针对高速公路收费站的收费车道资源分配不均问题，结合贝叶斯优化算法（bayesian optimization algorithm, BOA）和长短时记忆神经网络（long short term memory, LSTM），提出了一种基于交通流预测的收费车道开闭配置方法。首先，对收费数据进行预处理，得到交通量、车型比例、收费方式占比和服务时间等基础数据，用于构建模型训练数据集。其次，提出了一种基于多元收费方式的M/G/K排队模型，实现收费站通行过程的理论描述和平均排队长度、平均逗留时间、通行能力等关键指标的计算。然后，针对超参数设置困难问题，引入贝叶斯优化算法构建了BOA-LSTM组合模型实现交通流预测。接着，以交通流预测结果为输入，以车道开启数目为输出，构建了一种以综合成本最小为目标的车道开闭配置模型。最后，以河北新元高速机场收费站为例展开实证分析，结果表明，BOA-LSTM组合模型能够取得良好的预测效果，其中交通量和车型比例的均方根误差分别为16.24和0.03，平均绝对百分比误差分别为13.32%和1.77%；相比于实际方案，工作日平均每天的综合成本降低了2.30%，休息日平均每天的综合成本降低了5.14%。     

融合笔画特征的命名实体识别方法

汉字是象形文字,其字形特征对于中文命名实体识别有着重要的作用。针对双向长短期记忆模型（bi-directional long short-term memory,BiLSTM）提取部首,命名实体识别准确率不高的问题,提出笔画组成编码器,用于获取汉字的字形特征,并将笔画字形特征向量和预训练的语言表征模型（bidirectional encoder representation from transformers,BERT）输出的字向量进行拼接,将拼接后的向量放入双向长短期记忆模型与条件随机场（conditional random field,CRF）相连的标注模型（BiLSTM-CRF）中进行命名实体识别。实验表明,所提的方法在Resume数据集上命名实体识别准确率有显著提升。相较于用卷积神经网络做编码器提取汉字字形特征,准确率高出0.4%。相较于使用BiLSTM提取的部首特征模型和加入词典的长短期记忆模型(Lattice LSTM)模型其准确率分别提升了4.2%、0.8%。     

面向车路协同的公交车行驶行为研究展望

针对目前相关研究中公交站区公交车行驶行为主要由跟驰、换道及仿真等理论模型进行刻画的局限,为了构建符合车辆实际运行的行为模型,明晰现有公交站相关设计规范是否科学合理,提出了基于无人机视频和图像识别技术。参数化提取公交车进出站过程中的轨迹、速度、加速度等真实行为特征数据的方法,并对其运动变化规律进行详细分析。探讨了基于实测大数据构建车辆运动模型的必要性和可行性,提出了相应技术路线及关键技术。初步研究表明,该方法将能准确描述公交车行驶行为与道路设计、社会车辆运行之间的有机联系,可为公交站几何尺寸设计、公交站区范围内车辆管控以及无人驾驶研究提供技术支撑。