CN111114556A - 基于多源指数加权损失下lstm的换道意图识别方法 - Google Patents

基于多源指数加权损失下lstm的换道意图识别方法 Download PDF

Info

Publication number
CN111114556A
CN111114556A CN201911343032.0A CN201911343032A CN111114556A CN 111114556 A CN111114556 A CN 111114556A CN 201911343032 A CN201911343032 A CN 201911343032A CN 111114556 A CN111114556 A CN 111114556A
Authority
CN
China
Prior art keywords
lane change
lane
time
loss
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911343032.0A
Other languages
English (en)
Inventor
王皓昕
李振龙
张耀伟
郑淑欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN201911343032.0A priority Critical patent/CN111114556A/zh
Publication of CN111114556A publication Critical patent/CN111114556A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

针对车道变换意图识别中数据源单一，序列模型难以捕获长序列范围内换道意图且存在长期依赖问题，提出一种时间信息加权指数损失函数下的长短时记忆网络车辆换道意图识别模型。首先，利用驾驶模拟舱,眼动仪进行高速公路驾驶实验，采集车辆运行数据和驾驶员眼动数据；基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型，提出的基于时间信息加权的指数损失函数对模型权重进行优化；最后，利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其它模型进行对比，所提模型换道识别的准确率为96.78％，精确率为95.72％,召回率为95.83％,F1值为95.73％。长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力，提出的损失函数对模型权重优化具有良好的效果。

Description

基于多源指数加权损失下LSTM的换道意图识别方法
技术领域
本发明涉及机动车辆驾驶安全领域,特别涉及一种基于多源指数加权损失下LSTM的换道意图识别方 法。
背景技术
车辆换道作为一种普通、常见的驾驶行为，时刻影响着周围车辆的安全与效率，甚至造成生命财产的 损失。在由车道变换引起的事故中，因驾驶员判断失误而导致的事故数共计占总数的75％。由此可见,研究 驾驶员驾驶行为及换道意图对于道路安全，出行效率以及未来无人驾驶车辆的自主决策行为有着积极影 响。
驾驶意图的建模研究中，模型输入多针对本车、周围车辆状态及位置信息，或驾驶员视觉信息，或驾 驶员头部姿态偏移等单一数据源进行建模。换道数据组织形式多基于换道主体车辆的横向速度大于某一阈 值作为换道意图时刻点，尽管具有数据组织形式简便，模型构建复杂度低等优点。但意图识别时刻距离换 道执行点间距较短，当模型判定为不合适的换道意图时，驾驶员反应时间较短，操作上存在滞后性，具有 一定安全隐患。
发明内容
为克服上述现有换道驾驶意图建模中的缺陷,本发明的目的在于提供一种基于多源指数加权损失下 LSTM的换道意图识别方法。通过整理分析驾驶模拟环境下真实换道数据，研究驾驶员换道执行前车辆及 生理行为，利用LSTM网络并选择加权指数损失函数以提前预测时间序列中换道意图。具体方案如下：
为了实现上述目的，本发明采用的技术方案为：一种基于多源指数加权损失下LSTM的换道意图识别 方法，具体包括如下步骤：
1)换道数据的生成与意图时窗的确立:
通过AutoSim驾驶模拟舱，及SMI眼动仪实时生成换道过程中车辆及眼部注视数据，对换道过程 中换道意图开始到换道执行期间的时窗大小进行分析，左换道及右换道的意图时窗分别为2.83秒 及2.81秒，为保证换道意图时间窗的可靠性，选取3秒作为换道意图时窗大小。完整的换道过程 可看作由换道意图阶段及换道执行阶段两部分构成。对换道意图开始到换道执行期间的时窗大小 进行分析，选取3s作为换道意图时窗大小；
2)换道数据的筛选与预处理：
提取3秒换道意图时窗,同时,为消除不同数据源及不同特征之间量纲的差异,对每个变量进行标准 化处理。其标准化处理可通过式(1)计算。
Figure BDA0002332603300000011
其中，
Figure BDA0002332603300000012
为数据集中第i项样本的第t项时间步的第j项特征。
3)加权指数损失函数的构建:确立了一种改进的基于时间信息加权的指数损失函数，选取基本多分类 指数损失函数，并在样本的每一个时间步的损失值前分配与反应时间信息的指数权重项，保证随着序 列长度上升，损失项加大。首先对标签向量y按公式(2)进行重新编码,使得标签为k的样例，其编码后 的标签向量q是除第k项元素为1外，剩余元素值均取
Figure BDA0002332603300000013
样本数为N下长度为L的序列数据损失 可通过式(3)计算。
Figure BDA0002332603300000021
式(2)中,K为类别数。
Figure BDA0002332603300000022
式(3)中，长度为L的序列数据损失函数为Loss(q,f(x)),
Figure BDA0002332603300000023
为模型第i个样本的第t个时间步的输 出中第k项类别的概率,
Figure BDA0002332603300000024
为第i个样本的第t个时间步的标签中第的k项类别的概率。
4)LSTM的换道意图识别模型的训练：模型基于Pycharm集成开发环境并利用Pytorch深度学习框架 对模型进行搭建，利模型采取多数据源独立训练方式，车辆换道数据源及眼部注视数据源经过其各自 的输入层，隐藏层，融合层，按照时间步依次展开构成，模型内部选取了长短时记忆结构，每个长短 时记忆结构的输出值可通过式(4-9)计算，以车辆，眼动网络各自隐含层的输出作为全连接融合层的 输入后，经过softmax层，以对换道决策结果执行概率化操作。
it＝σ(Wi[xt,ht-1]+bi) (4)
ft＝σ(Wf[xt，ht-1]+bf) (5)
ot＝σ(Wo[xt,ht-1]+bo) (6)
Figure BDA0002332603300000025
ct＝ft e Tanh(ct) (8)
ht＝ot e Tanh(ct) (9)
式(4-9)中,ft表示遗忘门限,it表示输入门限,ot表示输出门,
Figure BDA0002332603300000026
表示备选值向量,ct表示当前 时间步神经元状态,ht表示t时刻神经元输出,W表示下标对应的层和门之间的权重矩阵,xt表示 t时刻输入特征向量，σ表示Sigmoid函数，bi、bf、bo分别表示表示输入门，遗忘门，输出门 的偏置,e是门操作中对应元素乘积运算。
5)利用步骤4所训练的LSTM换道意图识别模型进行预测,评估。选取准确率，精确率，召回率及F1 值作为模型评测结果。评测指标可通过式(10-13)计算得到。
Figure BDA0002332603300000027
Figure BDA0002332603300000028
Figure BDA0002332603300000031
Figure BDA0002332603300000032
式中：TP、FP、FN、TN分别代表真正例、假正例、假反例、真反例，P，R分别表示查准
率与查全率。
本发明的有益效果在于：
1、通过对本车和周围运行状态及驾驶员注视行为分析，搭建了多源数据下的LSTM的换道意图识别 模型以预测驾驶换道意图,利用基于时间序列组织的数据形式增添了换道意图识别模型的实时性,为今后自 动驾驶车辆实时决策分析奠定了基础。
2、本发明对提出的时间加权下的指数损失函数及目前常用损失函数指数损失函数，交叉熵损失函数， 加权交叉熵损失函数，L2损失函数及L1损失函数进行效果验证，相比其他损失函数对模型权重优化具有 良好的效果。利用步骤4所训练的模型取得了较好的准确率，精确率，召回率及F1值。
3、本发明验证了多源数据下独立训练的必要性。
附图说明
图1为换道过程示意图
图2为基于指数加权损失下LSTM的换道意图识别模型结构图
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范 围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
一种基于多源指数加权损失下LSTM的换道意图识别方法。包括以下步骤：
步骤1：换道数据的生成与意图时窗的确立
通过AutoSim驾驶模拟舱，及SMI眼动仪实时生成换道过程中车辆及眼部注视数据，如表1所示。对 换道过程中换道意图开始到换道执行期间的时窗大小进行分析，左换道及右换道的意图时窗分别为 2.83秒及2.81秒，为保证换道意图时间窗的可靠性，选取3秒作为换道意图时窗大小。完整的换道过 程可看作由换道意图阶段及换道执行阶段两部分构成。结合图1所示，通过对驾驶风格正常的驾驶员 在换道过程中换道意图开始到换道执行期间的时间窗大小进行分析，左换道及右换道的意图时间窗分 别为2.83s及2.81s，为保证换道意图时间窗的可靠性，本发明方法选取3s作为换道意图时窗大小。
表1车辆及眼部数据信息
Figure BDA0002332603300000033
Figure BDA0002332603300000041
步骤2：换道数据的筛选与预处理：
步骤2.1：提取换道相关特征
利用Python语言，Pycharm集成开发环境，并编写GUI图形用户界面程序，通过观察驾驶员实际换 道轨迹,从为期2周的驾驶模拟实验中提取40名驾驶员在高速公路环境下自由换道数据并提取3秒换道意 图时窗。
步骤2.2：对数据进行数据标准化处理及筛选；
由于驾驶模拟器在实际运行的过程中存在数据存储格式错误，存在异常值及空值等问题，本发明方法 对上述换道数据采取剔除措施，同时，为消除不同数据源及不同特征之间量纲的差异,对每个变量进行 标准化处理。其标准化处理可通过式(1)计算。
Figure BDA0002332603300000042
步骤3：加权指数损失函数的构建：
损失策略的拟定对模型最终的表现具有方向标作用，为尽早使模型判断出驾驶意图，本发明方法确立 了一种改进的基于时间信息加权的指数损失函数，选取基本多分类指数损失函数，并在样本的每一个 时间步的损失值前分配与反应时间信息的指数权重项，保证随着序列长度上升，损失项加大。首先对 标签向量y按公式(2)进行重新编码,使得标签为k的样例，其编码后的标签向量q是除第k项元素为1 外，剩余元素值均取
Figure BDA0002332603300000051
样本数为N下长度为L的序列数据损失可通过式(3)计算。
Figure BDA0002332603300000052
式(2)中,K为类别数。
Figure BDA0002332603300000053
式(3)中，长度为L的序列数据损失函数为Loss(q,f(x)),
Figure BDA0002332603300000054
为模型第i个样本的第t个时间步的输 出中第k项类别的概率,
Figure BDA0002332603300000055
为第i个样本的第t个时间步的标签中第的k项类别的概率。
步骤4：LSTM的换道意图识别模型的训练
模型采取多数据源独立训练方式，车辆换道数据源及眼部注视数据源经过其各自的输入层，隐藏层，融合 层，按照时间步依次展开构成，模型内部选取了长短时记忆结构，每个长短时记忆结构的输出值可通过式 (4)-(9)计算，以车辆，眼动网络各自隐含层的输出作为全连接融合层的输入后，经过softmax层，以 对换道决策结果执行概率化操作。
it＝σ(Wi[xt,ht-1]+bi) (4)
ft＝σ(Wf[xt，ht-1]+bf) (5)
ot＝σ(Wo[xt,ht-1]+bo) (6)
Figure BDA0002332603300000056
ct＝ft e Tanh(ct) (8)
ht＝ot e Tanh(ct) (9)
式(4)-(9)中,ft表示遗忘门限,it表示输入门限,ot表示输出门,
Figure BDA0002332603300000057
表示备选值向量,ct表示
当前时间步神经元状态,ht表示t时刻神经元输出,W表示下标对应的层和门之间的权重矩阵,b表
示下标对应的门的偏置,e是门操作中对应元素乘积运算。
步骤5：利用步骤4所训练的LSTM换道意图识别模型进行预测,评估。
选取准确率，精确率，召回率及F1值作为模型评测结果。评测指标可通过式(10-13)计算得到。
Figure BDA0002332603300000061
Figure BDA0002332603300000062
Figure BDA0002332603300000063
Figure BDA0002332603300000064
式中：TP、FP、FN、TN分别代表真正例、假正例、假反例、真反例。
实施例
在模型训练的过程中，合适的优化算法能够在保证结果正确的同时提升训练效率。本发明方法选取了 Adam算法共计遍历100个Epoch，利用目前常用的Pytorch深度学习框架，进行模型搭建及自定义损失函 数的编写。
为验证基于时间信息加权的指数损失函数效果，本方法另外选取了目前较常使用的交叉熵损失函数、 L1损失函数、L2损失函数以作比较，各项损失函数定义如表2所示。
表2不同损失函数定义
Figure BDA0002332603300000065
注：随机变量P,Q的概率分布分别为P(x),Q(x),随机变量P,Q之间的交叉熵为H(P,Q)。
通过准确率，精确率，召回率，及F1值可以看出，指数加权损失函数、交叉熵加权损失函数、交叉 熵损失函数对长短时记忆网络均有较好的表现，其中引入与时间相关权重项的指数损失函数，在准确性， 精确率，召回率及F1值等方面值均表现最高，其各项指标相比时间加权下的交叉熵损失函数分别高出3.07％，1.75％，1.81％，1.74％。可以看出本文所提损失函数适用于换道决策模型。实验结果可参阅表3。
表3不同损失函数下模型评测结果
Figure BDA0002332603300000071
同时，本发明另外对独立训练数据源及同步训练数据源的必要性问题加以验证
对比步骤4中不同数据源独立训练其各自模型权重，及同步训练模型权重的必要性问题基于准确性， 精确率，召回率及F1值等指标加以验证。实验结果可参阅表4。在不同指标评价下，独立学习车辆、驾驶 员眼动的模型评测结果优于经数据融合的同步学习模型。
表4不同结构单元下模型评测结果
Figure BDA0002332603300000072

Claims (6)

1.一种基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于，所述方法包括如下步骤:
步骤1)换道数据的生成与意图时窗的确立；
步骤2)换道数据的筛选与预处理；
步骤3)加权指数损失函数的构建；
步骤4)LSTM的换道意图识别模型的训练；
步骤5)利用步骤4所训练的LSTM换道意图识别模型进行预测，评估。
2.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：步骤1中所述的换道数据的生成与意图时窗的确立的具体步骤为：通过AutoSim驾驶模拟舱，及SMI眼动仪实时生成换道过程中车辆及眼部注视数据，对换道过程中换道意图开始到换道执行期间的时窗大小进行分析，左换道及右换道的意图时窗分别为2.83秒及2.81秒，为保证换道意图时间窗的可靠性，选取3秒作为换道意图时窗大小。
3.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：所述步骤2中换道数据的筛选与预处理的步骤为，提取3秒换道意图时窗，同时对每个变量进行标准化处理；其标准化处理可通过式(1)计算：
Figure FDA0002332603290000011
其中
Figure FDA0002332603290000012
为数据集中第i项样本的第t项时间步的第j项特征。
4.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：步骤3中，加权指数损失函数的构建的具体步骤为：选取基本多分类指数损失函数，并在样本的每一个时间步的损失值前分配与反应时间信息的指数权重项，保证随着序列长度上升，损失项加大；首先对标签向量y按公式(2)进行重新编码，使得标签为k的样例，其编码后的标签向量q是除第k项元素为1外，剩余元素值均取
Figure FDA0002332603290000013
样本数为N下长度为L的序列数据损失可通过式(3)计算；
Figure FDA0002332603290000014
式(2)中，K为类别数；
Figure FDA0002332603290000015
式(3)中，长度为L的序列数据损失函数为Loss(q，f(x))，
Figure FDA0002332603290000016
为模型第i个样本的第t个时间步的输出中第k项类别的概率，
Figure FDA0002332603290000017
为第i个样本的第t个时间步的标签中第的k项类别的概率。
5.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：所述LSTM的换道意图识别模型的训练的步骤为，模型采取多数据源独立训练方式，车辆换道数据源及眼部注视数据源经过其各自的输入层，隐藏层，融合层，按照时间步依次展开构成，模型内部选取了长短时记忆结构，每个长短时记忆结构的输出值可通过式(4)-(9)计算，以车辆，眼动网络各自隐含层的输出作为全连接融合层的输入后，经过softmax层，以对换道决策结果执行概率化操作；
it＝σ(Wi[xt，ht-1]+bi) (4)
ft＝σ(Wf[xt，ht-1]+bf) (5)
ot＝σ(Wo[xt，ht-1]+bo) (6)
Figure FDA0002332603290000021
Figure FDA0002332603290000022
ht＝ote Tanh(ct) (9)
式(4)-(9)中，ft表示遗忘门限，it表示输入门限，ot表示输出门，
Figure FDA0002332603290000023
表示备选值向量，ct表示当前时间步神经元状态，ht表示t时刻神经元输出，W表示下标对应的层和门之间的权重矩阵，xt表示t时刻输入特征向量，σ表示Sigmoid函数，bi、bf、bo分别表示表示输入门，遗忘门，输出门的偏置，e是门操作中对应元素乘积运算。
6.根据权利要求1所述的基于多源指数加权损失下LSTM的换道意图识别方法，其特征在于：所述步骤5中利用步骤4所训练的LSTM换道意图识别模型进行预测，评估的具体步骤为：选取准确率，精确率，召回率及F1值作为模型评测结果，评测指标可通过式(10)-(13)计算得到：
Figure FDA0002332603290000024
Figure FDA0002332603290000025
Figure FDA0002332603290000026
Figure FDA0002332603290000027
式中：TP、FP、FN、TN分别代表真正例、假正例、假反例、真反例，P，R分别表示查准率与查全率。
CN201911343032.0A 2019-12-24 2019-12-24 基于多源指数加权损失下lstm的换道意图识别方法 Pending CN111114556A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911343032.0A CN111114556A (zh) 2019-12-24 2019-12-24 基于多源指数加权损失下lstm的换道意图识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911343032.0A CN111114556A (zh) 2019-12-24 2019-12-24 基于多源指数加权损失下lstm的换道意图识别方法

Publications (1)

Publication Number Publication Date
CN111114556A true CN111114556A (zh) 2020-05-08

Family

ID=70501469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911343032.0A Pending CN111114556A (zh) 2019-12-24 2019-12-24 基于多源指数加权损失下lstm的换道意图识别方法

Country Status (1)

Country Link
CN (1) CN111114556A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754816A (zh) * 2020-06-04 2020-10-09 纵目科技（上海）股份有限公司 一种移动物体意图识别方法、系统、终端和存储介质
CN111845787A (zh) * 2020-08-03 2020-10-30 北京理工大学 一种基于lstm的换道意图预测方法
CN112069302A (zh) * 2020-09-15 2020-12-11 腾讯科技（深圳）有限公司 会话意图识别模型的训练方法、会话意图识别方法及装置
CN112389436A (zh) * 2020-11-25 2021-02-23 中汽院智能网联科技有限公司 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
CN112614373A (zh) * 2020-12-29 2021-04-06 厦门大学 一种基于BiLSTM周车换道意图预测方法
CN113173170A (zh) * 2021-01-08 2021-07-27 海南华天科创软件开发有限公司 基于人员画像个性化算法
CN115018016A (zh) * 2022-08-03 2022-09-06 苏州大学 一种人工驾驶车辆换道意图识别方法和系统
US11798407B1 (en) 2022-08-03 2023-10-24 Soochow University Method and system for identifying lane changing intention of manually driven vehicle
CN117261920A (zh) * 2023-09-19 2023-12-22 广州市城市规划勘测设计研究院 一种车辆换道识别方法、装置、终端及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460023A (zh) * 2018-11-09 2019-03-12 上海理工大学 基于隐马尔科夫模型的驾驶人换道意图识别方法
US20190092318A1 (en) * 2017-09-22 2019-03-28 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for rear signal identification using machine learning
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN110555476A (zh) * 2019-08-29 2019-12-10 华南理工大学 一种适用于人机混驾环境下智能车辆换道轨迹预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190092318A1 (en) * 2017-09-22 2019-03-28 Toyota Motor Engineering & Manufacturing North America, Inc. Systems and methods for rear signal identification using machine learning
CN110146100A (zh) * 2018-02-13 2019-08-20 华为技术有限公司 轨迹预测方法、装置及存储介质
CN109460023A (zh) * 2018-11-09 2019-03-12 上海理工大学 基于隐马尔科夫模型的驾驶人换道意图识别方法
CN110555476A (zh) * 2019-08-29 2019-12-10 华南理工大学 一种适用于人机混驾环境下智能车辆换道轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
季学武: "基于ＬＳＴＭ 网络的驾驶意图识别及车辆轨迹预测", 《中国公路学报》 *
彭金栓: "自然驾驶条件下驾驶人换道行为实时预测", 《哈尔滨工业大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111754816A (zh) * 2020-06-04 2020-10-09 纵目科技（上海）股份有限公司 一种移动物体意图识别方法、系统、终端和存储介质
CN111845787A (zh) * 2020-08-03 2020-10-30 北京理工大学 一种基于lstm的换道意图预测方法
CN112069302A (zh) * 2020-09-15 2020-12-11 腾讯科技（深圳）有限公司 会话意图识别模型的训练方法、会话意图识别方法及装置
CN112069302B (zh) * 2020-09-15 2024-03-08 腾讯科技（深圳）有限公司 会话意图识别模型的训练方法、会话意图识别方法及装置
CN112389436A (zh) * 2020-11-25 2021-02-23 中汽院智能网联科技有限公司 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
CN112614373A (zh) * 2020-12-29 2021-04-06 厦门大学 一种基于BiLSTM周车换道意图预测方法
CN113173170A (zh) * 2021-01-08 2021-07-27 海南华天科创软件开发有限公司 基于人员画像个性化算法
CN115018016A (zh) * 2022-08-03 2022-09-06 苏州大学 一种人工驾驶车辆换道意图识别方法和系统
US11798407B1 (en) 2022-08-03 2023-10-24 Soochow University Method and system for identifying lane changing intention of manually driven vehicle
WO2024027027A1 (zh) * 2022-08-03 2024-02-08 苏州大学 一种人工驾驶车辆换道意图识别方法和系统
CN117261920A (zh) * 2023-09-19 2023-12-22 广州市城市规划勘测设计研究院 一种车辆换道识别方法、装置、终端及介质

Similar Documents

Publication Publication Date Title
CN111114556A (zh) 基于多源指数加权损失下lstm的换道意图识别方法
CN110164128B (zh) 一种城市级智能交通仿真系统
Michelmore et al. Uncertainty quantification with statistical guarantees in end-to-end autonomous driving control
Dogan et al. Autonomous driving: A comparison of machine learning techniques by means of the prediction of lane change behavior
Gu et al. A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost
Kruber et al. An unsupervised random forest clustering technique for automatic traffic scenario categorization
Shi et al. An automated machine learning (AutoML) method of risk prediction for decision-making of autonomous vehicles
CN112215487B (zh) 一种基于神经网络模型的车辆行驶风险预测方法
CN111738337B (zh) 一种混行交通环境下的驾驶人分心状态检测识别方法
Zhao et al. Sensor-based risk perception ability network design for drivers in snow and ice environmental freeway: a deep learning and rough sets approach
WO2021027052A1 (zh) 面向神经网络模型的基于层间剖析的输入实例验证方法
CN105334504A (zh) 基于大边界的非线性判别投影模型的雷达目标识别方法
CN108256307A (zh) 一种智能商务旅居房车的混合增强智能认知方法
Zhang et al. A learning-based discretionary lane-change decision-making model with driving style awareness
Sun et al. Vehicle turning behavior modeling at conflicting areas of mixed-flow intersections based on deep learning
Guo et al. Lane change detection and prediction using real-world connected vehicle data
Kim et al. Toward explainable and advisable model for self‐driving cars
Wu et al. Driver lane change intention recognition based on Attention Enhanced Residual-MBi-LSTM network
CN112329974A (zh) 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统
Li et al. Research on lane change prediction model based on GBDT
CN110795522A (zh) 一种移动用户轨迹位置的预测方法及装置
CN116946183A (zh) 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备
Hao et al. Aggressive lane-change analysis closing to intersection based on UAV video and deep learning
DE102019206720B4 (de) Überwachung eines KI-Moduls einer Fahrfunktion eines Fahrzeugs
CN112061136A (zh) 基于长短期记忆网络的司机驾驶行为自动化分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200508

WD01 Invention patent application deemed withdrawn after publication