周圍交通參與者行駛軌跡的準確預(yù)測是自動駕駛汽車進行自主決策的基礎(chǔ)。現(xiàn)有研究多從單車駕駛行為出發(fā),依賴線性遞推進行軌跡預(yù)測,僅適用于稀疏交通場景,且不能嵌入道路幾何結(jié)構(gòu)信息。當交通流更加密集時,多車群體中沖突博弈行為頻繁、交互關(guān)系強烈,現(xiàn)有方法在該場景中的準確度隨預(yù)測時域增長而急劇下降。本課題以周車軌跡預(yù)測為主題,通過引入結(jié)構(gòu)化循環(huán)神經(jīng)網(wǎng)絡(luò)解決周車群體間博弈交互關(guān)系建模難題,設(shè)計了典型道路交通元素的關(guān)鍵特征提取方法,提出了周車軌跡的群體交互式預(yù)測算法,實現(xiàn)高速公路密集交通場景下多周車、長時域、高精度的軌跡預(yù)測。首先,針對道路交通元素形式多樣、差異較大的問題,設(shè)計典型道路交通元素的描述方法,提取用于軌跡預(yù)測的通用性特征,避免脫離道路結(jié)構(gòu)進行軌跡預(yù)測,提高預(yù)測模型的泛用性。設(shè)計道路結(jié)構(gòu)、障礙物等典型交通要素的網(wǎng)格數(shù)值化規(guī)則,定義5種不同精細程度的二維矩陣形式的場景地圖與基于碰撞風險的賦值規(guī)則。構(gòu)建用于特征提取的深度卷積神經(jīng)網(wǎng)絡(luò),其中前4層卷積-池化層用于提取交通元素的時空特征,后5層全連接層用于進一步挖掘深層特征。其次,針對周車群體間行為沖突強烈、交互頻繁的問題,設(shè)計群體交互式軌跡預(yù)測算法,... 

【文章來源】：清華大學北京市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學位級別】：碩士

【部分圖文】：

基于物理模型的周車軌跡預(yù)測方法示意圖[3]

第1章緒論6在線學習不同行為模式下對應(yīng)的原型軌跡[27]。圖1.2不同行為模式下的原型軌跡[3]除了提取若干條原型軌跡，許多研究表明高斯過程（GaussianProcess）也適合表示道路交通環(huán)境下的行為模式[28-30]。高斯過程可視為高斯分布的一種推廣，假設(shè)數(shù)據(jù)集中的軌跡均為從高斯過程中采樣得到的函數(shù)，通過擬合這些軌跡服從的高斯分布，可以獲得行為模式的高斯過程表達形式。相比上述幾種方法，高斯過程法的優(yōu)點是對軌跡噪聲的魯棒性更高，缺點是計算復(fù)雜度也更高。獲得原型軌跡或擬合高斯過程后即得到行為模式的軌跡表達形式，在線預(yù)測時首先通過計算歷史軌跡與原型軌跡相似性距離，選取與歷史軌跡最相似的行為模式�，F(xiàn)有研究常用的定義軌跡相似性距離的量度包括：平均歐幾里得（Euclidian）距離[31]，修正豪斯多夫（Hausdorff）距離[24]，最長公共子序列（LongestCommonSubsequence，LCS）[32]，四元旋轉(zhuǎn)不變最長公共子序列（Quaternion-basedRotationallyInvariantLCS）[26]等。計算歷史軌跡到每種行為模式的距離后，最簡單的預(yù)測未來軌跡方法是Hu等人（2005）提出的直接選取距離最近的行為模式作為唯一的預(yù)測基準模型[31]。也可以根據(jù)多種行為模式的概率分布將其混合作為預(yù)測基準模型，如Joseph等人（2010）選取距離最近的幾種行為模式，將其加權(quán)后合為一種預(yù)測基準模型[28]；Hermes等人（2009）[26]與Aoude等人（2011）[29]利用不同行為模式生成相應(yīng)的幾條可能的未來軌跡。另外，Wiest等人（2013）提出的分層混合專家方法（HierarchicalMixtureofExperts）則在此基礎(chǔ)上增加了處理信號燈、道路結(jié)構(gòu)類型等分類變量的功能[33]。根據(jù)基準模型（即識別到的行為模式）生成預(yù)測軌跡的方法有兩類：一類是決定性方法，即從基?

第1章緒論7（Rapidly-exploringRandomTree）。其中高斯過程可以從數(shù)據(jù)集的軌跡擬合結(jié)果中選取符合識別到的行為模式的模型，如圖1.3(a)所示[35]；快速搜索隨機樹可以通過在節(jié)1.2.2所述車輛物理模型的輸入空間中隨機采樣，并在采樣結(jié)果中根據(jù)行為模式加入相應(yīng)的偏置，如圖1.3(b)所示[36]。Althoff等人（2009）還提出了使用可達集作為車輛未來軌跡的一種新的表達方式，同樣適合概率性軌跡生成，如圖1.3(c)所示[37]。(a)快速搜索隨機樹法(b)高斯噪聲法(c)可達集法圖1.3典型的軌跡生成方法示意圖[3]原型軌跡法的主要局限在于軌跡是關(guān)于時間的嚴格確定性函數(shù)，通常需要大量原型軌跡以描述行為模式在實際執(zhí)行中的隨機變化。特別地，當車輛軌跡中包含停車行為行為模式（如在停車線前停車或擁堵交通中的“走走停�！钡龋⿻r，一般需要剔除其軌跡中停車的時間段，才能正常計算歷史軌跡與原型軌跡的相似性距離。雖然高斯過程法可通過設(shè)計不含時間項的函數(shù)描述行為模式，在一定程度上解決時間依賴（time-dependent）的問題，但也有其他不足：計算成本大，缺乏考慮車輛本身物理約束的能力，可能生成不真實的軌跡。使用原型軌跡法的另一大困難是對不同道路結(jié)構(gòu)的適應(yīng)性問題，特別是在交叉口場景下，在某一交叉口結(jié)構(gòu)下訓練的預(yù)測模型只能在相似的幾何結(jié)構(gòu)下才能再利用。（2）意圖識別法估計駕駛?cè)说男袨橐鈭D（如：在停車線等待，跟車，左轉(zhuǎn)等），預(yù)測車輛的連續(xù)物理狀態(tài)，保持符合識別到的行為反應(yīng)在車輛上可能的執(zhí)行過程。意圖識別法相對于原型軌跡法的主要優(yōu)點是不需要匹配歷史軌跡與原型軌跡，而是通過提取更高層次的軌跡特征識別行為意圖，從而提高預(yù)測模型在不同道路結(jié)構(gòu)中的泛用性。常用的識別駕駛?cè)诵袨橐鈭D的特征包括：車輛物理狀態(tài)（?

【參考文獻】：
期刊論文
[1]中國汽車工程學術(shù)研究綜述·2017[J]. 《中國公路學報》編輯部.  中國公路學報. 2017(06)
[2]智能網(wǎng)聯(lián)汽車（ICV）技術(shù)的發(fā)展現(xiàn)狀及趨勢[J]. 李克強,戴一凡,李升波,邊明遠.  汽車安全與節(jié)能學報. 2017(01)



本文編號：3589452