CN116959260B - 一种基于图神经网络的多车辆驾驶行为预测方法 - Google Patents

一种基于图神经网络的多车辆驾驶行为预测方法 Download PDF

Info

Publication number
CN116959260B
CN116959260B CN202311212627.9A CN202311212627A CN116959260B CN 116959260 B CN116959260 B CN 116959260B CN 202311212627 A CN202311212627 A CN 202311212627A CN 116959260 B CN116959260 B CN 116959260B
Authority
CN
China
Prior art keywords
representing
driving behavior
prediction model
time step
behavior prediction
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.)
Active
Application number
CN202311212627.9A
Other languages
English (en)
Other versions
CN116959260A (zh
Inventor
罗为明
李旭
胡锦超
徐启敏
胡玮明
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202311212627.9A priority Critical patent/CN116959260B/zh
Publication of CN116959260A publication Critical patent/CN116959260A/zh
Application granted granted Critical
Publication of CN116959260B publication Critical patent/CN116959260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
    • G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
    • G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
    • 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

本发明公开了一种基于图神经网络的多车辆驾驶行为预测方法，属于新一代信息技术领域。首先，建立基于图神经网络的驾驶行为预测模型，并定义预测模型的输入和输出。其次，定义驾驶行为预测模型的相关参数。最后，设计驾驶行为预测模型的网络架构，并对其进行训练。本发明提出的方法站在路侧的全局化视角，能够预测多个交通参与者的驾驶行为，有助于提高道路重点区域的行车安全。此外，该方法无需计算车辆动力学模型，计算耗时低，且使用的传感器成本较低，计算方法清晰，便于大规模推广。

Description

一种基于图神经网络的多车辆驾驶行为预测方法
技术领域
本发明涉及一种路侧视角下的车辆驾驶行为预测方法，尤其是涉及一种基于图神经网络的多车辆驾驶行为预测方法，属于新一代信息技术领域。
背景技术
理解和预测车辆的驾驶行为对于掌握道路安全状况、提高行车安全具有重要的作用，同时也为后续自动驾驶乃至无人驾驶的决策规划提供信息支撑。已有文献、专利研究了车辆驾驶行为的预测，从视角的角度，可以分为基于车载视角的驾驶行为预测方法和基于路侧视角的驾驶行为预测方法两类。
基于路侧视角的驾驶行为预测方法是站在路侧的全局化角度，能够获取更为全面的各车辆运动状态信息和道路环境的先验信息。
公开号为CN115440041A ，发明名称为“一种路侧视角下的重点车辆驾驶行为预测方法”的专利对路侧视角下的车辆驾驶行为预测进行了研究，但仅针对单个车辆进行驾驶行为预测，未涉及多车辆的驾驶行为预测研究，难以满足自动驾驶乃至无人驾驶中多车辆行为预测、提高道路交通安全的需求。
发明内容
发明目的：为了实现路侧视角下多车辆驾驶行为的准确预测，本发明提出了一种基于图神经网络的多车辆驾驶行为预测方法。该方法站在路侧的全局化视角，基于路侧感知设备获取的各车辆运动状态信息和道路环境先验信息，实时地预测各交通参与者的驾驶行为。通过车路通信或可变情报板等方式，将预测的驾驶行为发送给各交通参与者，有效提高道路重点区域的行车安全。同时，该方法使用的传感器成本较低，计算方法清晰，无需计算车辆动力学模型，计算耗时低，可以实时地预测驾驶行为，便于大规模推广。
技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于图神经网络的多车辆驾驶行为预测方法。首先，建立基于图神经网络的驾驶行为预测模型，并定义预测模型的输入和输出。其次，定义驾驶行为预测模型的相关参数。最后，设计驾驶行为预测模型的网络架构，并对其进行训练。具体包括以下步骤：
步骤一：建立基于图神经网络的驾驶行为预测模型
采用图神经网络，以各交通参与者为节点、交通参与者之间的距离为边，建立基于图神经网络的驾驶行为预测模型，具体表示为：
（1）
式中，G表示构建的图结构，V表示图中的节点，即各交通参与者，E表示节点间边的集合，A表示邻接矩阵；
给定图结构G和时间步长为S的图信号，多车辆的驾驶行为预测问题转化为：
（2）
式中，f表示学习的映射函数，T表示预测的时间步长，X表示模型的输入，t表示时间；
接下来，定义预测模型的输入和输出；利用路侧感知设备获取道路区域内各交通参与者的运动状态信息，结合车道数量的先验信息，构成预测模型的输入，具体表示为：
（3）
式中，表示第t个时间步的输入，/>分别表示第t个时间步第j辆车的横向位置和纵向位置，/>分别表示第t个时间步第j辆车的横向速度和纵向速度，/>分别表示第t个时间步第j辆车的横向加速度和纵向加速度，表示第j辆车所在的车道；
利用离散的驾驶动作定义预测模型的输出，具体表示为：
（4）
式中，表示第t个时间步的输出，/>分别表示纵向驾驶行为和横向驾驶行为，其中，纵向驾驶行为包含加速、减速和匀速，横向驾驶行为包含左转、右转和直行。
步骤二：计算驾驶行为预测模型的相关参数；
计算邻接矩阵
随机初始化所有节点，并利用节点嵌入向量分析各节点间的相互关系；具体表示为：
（5）
式中，表示节点嵌入，N表示节点数，D表示度矩阵，A表示邻接矩阵，/>表示归一化后的邻接矩阵，ReLU表示线性整流单元，Softmax表示进行归一化操作。
计算节点参数
在图神经网络中，利用下式计算节点参数：
（6）
式中，表示节点嵌入矩阵，/>表示权重，b表示偏差，X和Z分别表示输入和输出，表示单位矩阵。
步骤三：设计预测模型的网络架构
利用长短期记忆单元构建驾驶行为预测模型的网络架构，对各交通参与者的运动状态信息进行特征提取和行为预测；
设计的预测模型网络架构表示为：
（7）
式中，表示第m个时间步的长短期记忆模型输入，/>表示可训练的权重，/>表示可训练的偏置参数，/>表示m-1个时间步的隐藏层状态，/>表示第m个时间步输出门输出的信息，/>表示第m个时间步输入的单元状态，表示第m个时间步的输入门，/>表示第m个时间步的遗忘门，/>表示遗忘门中需保留的重要信息，/>表示第m个时间步的预测结果，/>表示sigmoid函数，/>表示第m个时间步的隐藏状态，/>表示第m-1个时间步的单元状态， />表示遗忘门的参数，/>表示输入门的参数，/>表示输出门的参数，/>表示内部记忆单元的参数；
通过堆叠多层长短期记忆单元，分析道路重点区域各交通参与者的运动状态和相互关系，实现多车辆的驾驶行为预测；
将L损失函数作为训练目标，对所建驾驶行为预测模型进行训练，具体可表示为：
（8）
式中，表示预测模型的网络参数，/>表示第i个时间步的真值，/>表示第i个时间步的预测值，/>表示损失函数的参数；
当驾驶行为预测模型训练完成后，将各交通参与者的运动状态信息输入至预测模型中，用于实时地预测各交通参与者的驾驶行为。
有益效果：相比于一般的行为预测方法，本发明提出的预测方法具有更为准确、全面的特点，具体体现在：
1.本发明提出的方法站在路侧的全局化视角，能够预测多个交通参与者的驾驶行为，有助于提高道路重点区域的行车安全。
2.本发明提出的方法无需计算车辆动力学模型，计算耗时低，且使用的传感器成本较低，计算方法清晰，可以实时地预测各交通参与者的驾驶行为，便于大规模推广。
附图说明
图1是本发明的技术路线图；
图2是本发明方法训练损失函数；
图3为本发明提出的驾驶行为预测模型。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明站在路侧的全局化视角，提出了一种基于图神经网络的多车辆驾驶行为预测方法。首先，建立基于图神经网络的驾驶行为预测模型，并定义预测模型的输入和输出。其次，定义驾驶行为预测模型的相关参数。最后，设计驾驶行为预测模型的网络架构，并对其进行训练。本发明的技术路线图如图1所示，具体步骤如下：
步骤一：建立基于图神经网络的驾驶行为预测模型
在实际的交通场景中，道路区域中各交通参与者的拓扑结构较为复杂，且车辆的运动状态时刻变化。为了预测各交通参与者的运动状态，应准确描述车辆间的运动状态和相互关系。考虑到图结构能够有效表征和分析各交通参与者的网络拓扑结构和运动状态信息，本发明采用图神经网络，以各交通参与者为节点、交通参与者之间的距离为边，建立基于图神经网络的驾驶行为预测模型，具体可表示为：
（1）
式中，G表示构建的图结构，V表示图中的节点，即各交通参与者，E表示节点间边的集合，A表示邻接矩阵。
给定图结构G和时间步长为S的图信号，多车辆的驾驶行为预测问题可转化为：
（2）
式中，f表示学习的映射函数，T表示预测的时间步长，X表示模型的输入。
接下来，定义预测模型的输入和输出。利用路侧感知设备获取道路区域内各交通参与者的运动状态信息，结合车道数量等先验信息，构成预测模型的输入，具体表示为：
（3）
式中，表示第t个时间步的输入，/>分别表示第t个时间步第j辆车的横向位置和纵向位置，/>分别表示第t个时间步第j辆车的横向速度和纵向速度，/>分别表示第t个时间步第j辆车的横向加速度和纵向加速度，/>表示第j辆车所在的车道。
利用离散的驾驶动作定义预测模型的输出，具体表示为：
（4）
式中，表示第t个时间步的输出，/>分别表示纵向驾驶行为和横向驾驶行为，其中，纵向驾驶行为包含加速、减速和匀速，横向驾驶行为包含左转、右转和直行。
步骤二：计算驾驶行为预测模型的相关参数。
计算邻接矩阵
随机初始化所有节点，并利用节点嵌入向量分析各节点间的相互关系；具体表示为：
（5）
式中，表示节点嵌入，N表示节点数，D表示度矩阵，A表示邻接矩阵，/>表示归一化后的邻接矩阵，ReLU表示线性整流单元，Softmax表示进行归一化操作。
计算节点参数
在图神经网络中，利用下式计算节点参数：
（6）
式中，表示节点嵌入矩阵，/>表示权重，b表示偏差，X和Z分别表示输入和输出，/>表示单位矩阵。
步骤三：设计预测模型的网络架构
考虑到长短期记忆单元能够更好地处理高维度的车辆运动状态信息，对于提高驾驶行为的预测准确性具有一定的作用。基于此，本发明利用长短期记忆单元构建驾驶行为预测模型的网络架构，对各交通参与者的运动状态信息进行特征提取和行为预测。
设计的预测模型网络架构表示为：
（7）
式中，表示第m个时间步的长短期记忆模型输入，/>表示可训练的权重，/>表示可训练的偏置参数，/>表示m-1个时间步的隐藏层状态，/>表示第m个时间步输出门输出的信息，/>表示第m个时间步输入的单元状态，表示第m个时间步的输入门，/>表示第m个时间步的遗忘门，/>表示遗忘门中需保留的重要信息，/>表示第m个时间步的预测结果，/>表示sigmoid函数，/>表示第m个时间步的隐藏状态，/>表示第m-1个时间步的单元状态， />表示遗忘门的参数，/>表示输入门的参数，/>表示输出门的参数，/>表示内部记忆单元的参数。
通过堆叠多层长短期记忆单元，分析道路重点区域各交通参与者的运动状态和相互关系，实现多车辆的驾驶行为预测。
将L损失函数作为训练目标，对所建驾驶行为预测模型进行训练，具体可表示为：
（8）
式中，表示预测模型的网络参数，/>表示第i个时间步的真值，/>表示第i个时间步的预测值，/>表示损失函数的参数。
当驾驶行为预测模型训练完成后，将各交通参与者的运动状态信息输入至预测模型中，可以实时地预测各交通参与者的驾驶行为。
为验证本发明方法的有效性，开展实车实验，在龙门架上安装部署本文发明方法的路侧设备，用3辆小型载客汽车做出加速、减速和匀速等纵向驾驶行为和左转、右转和直行等横向驾驶行为。图2为本发明方法训练损失函数，模型能够很快收敛到0.1以下。图3为本发明提出的驾驶行为预测模型，进行100次测试，每次测试中，预测多个交通参与者驾驶行为的平均准确率。可以看出，相较于传统方法，本发明提出的行为预测方法，站在路侧的全局化视角，预测准确率得到了明显提升，实现了较为准确的多车辆驾驶行为预测。

Claims (1)

1.一种基于图神经网络的多车辆驾驶行为预测方法，其特征在于，该方法具体包括如下步骤：
步骤一：建立基于图神经网络的驾驶行为预测模型
采用图神经网络，以各交通参与者为节点、交通参与者之间的距离为边，建立基于图神经网络的驾驶行为预测模型，具体表示为：
G＝(V，E，A) (1)
式中，G表示构建的图结构，V表示图中的节点，即各交通参与者，E表示节点间边的集合，A表示邻接矩阵；
给定图结构G和时间步长为S的图信号，多车辆的驾驶行为预测问题转化为：
X(t+1)：(t+T)＝f[X(t-s)：t，G] (2)
式中，f表示学习的映射函数，T表示预测的时间步长，X表示模型的输入，t表示时间；
接下来，定义预测模型的输入和输出；利用路侧感知设备获取道路区域内各交通参与者的运动状态信息，结合车道数量的先验信息，构成预测模型的输入，具体表示为：
式中，X(t)表示第t个时间步的输入，分别表示第t个时间步第j辆车的横向位置和纵向位置，/>分别表示第t个时间步第j辆车的横向速度和纵向速度，分别表示第t个时间步第j辆车的横向加速度和纵向加速度，/>表示第j辆车所在的车道；
利用离散的驾驶动作定义预测模型的输出，具体表示为：
Y(t)＝[Ylon，Ylat] (4)
式中，Y(t)表示第t个时间步的输出，Ylon，Ylat分别表示纵向驾驶行为和横向驾驶行为，其中，纵向驾驶行为包含加速、减速和匀速，横向驾驶行为包含左转、右转和直行；
步骤二：计算驾驶行为预测模型的相关参数；
步骤三：设计预测模型的网络架构；
步骤二所述计算驾驶行为预测模型的相关参数包括计算邻接矩阵和计算节点参数；所述计算邻接矩阵的具体方法为：
随机初始化所有节点，并利用节点嵌入向量分析各节点间的相互关系；具体表示为：
式中，EA表示节点嵌入，D表示度矩阵，A表示邻接矩阵，表示归一化后的邻接矩阵，ReLU表示线性整流单元，Softmax表示进行归一化操作；
所述计算节点参数的具体方法为：
在图神经网络中，利用下式计算节点参数：
式中，EG表示节点嵌入矩阵，WG表示权重，b表示偏差，X和Z分别表示输入和输出，IN表示单位矩阵，N表示节点数；
步骤三所述预测模型的网络架构具体是利用长短期记忆单元构建驾驶行为预测模型的网络架构，对各交通参与者的运动状态信息进行特征提取和行为预测；
设计的预测模型网络架构表示为：
式中，表示第m个时间步的长短期记忆模型输入，Wf，Wi，Wo，Wc，Wy表示可训练的权重，bf，bi，bo，bc，by表示可训练的偏置参数，hm-1表示m-1个时间步的隐藏层状态，Om表示第m个时间步输出门输出的信息，/>表示第m个时间步输入的单元状态，im表示第m个时间步的输入门，fm表示第m个时间步的遗忘门，Cm表示遗忘门中需保留的重要信息，/>表示第m个时间步的预测结果，σ表示sigmoid函数，hm表示第m个时间步的隐藏状态，Cm-1表示第m-1个时间步的单元状态，Uf表示遗忘门的参数，Ui表示输入门的参数，Uo表示输出门的参数，Uc表示内部记忆单元的参数；
通过堆叠多层长短期记忆单元，分析道路重点区域各交通参与者的运动状态和相互关系，实现多车辆的驾驶行为预测；
将L损失函数作为训练目标，对所建驾驶行为预测模型进行训练，具体可表示为：
式中，Wθ表示预测模型的网络参数，P；，t表示第i个时间步的真值，Q；，t表示第i个时间步的预测值，τ表示损失函数的参数；
当驾驶行为预测模型训练完成后，将各交通参与者的运动状态信息输入至预测模型中，用于实时地预测各交通参与者的驾驶行为。
CN202311212627.9A 2023-09-20 2023-09-20 一种基于图神经网络的多车辆驾驶行为预测方法 Active CN116959260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311212627.9A CN116959260B (zh) 2023-09-20 2023-09-20 一种基于图神经网络的多车辆驾驶行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311212627.9A CN116959260B (zh) 2023-09-20 2023-09-20 一种基于图神经网络的多车辆驾驶行为预测方法

Publications (2)

Publication Number Publication Date
CN116959260A CN116959260A (zh) 2023-10-27
CN116959260B true CN116959260B (zh) 2023-12-05

Family

ID=88442885

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311212627.9A Active CN116959260B (zh) 2023-09-20 2023-09-20 一种基于图神经网络的多车辆驾驶行为预测方法

Country Status (1)

Country Link
CN (1) CN116959260B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112622886A (zh) * 2020-12-20 2021-04-09 东南大学 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN113362491A (zh) * 2021-05-31 2021-09-07 湖南大学 一种车辆轨迹预测及驾驶行为分析方法
CN113705865A (zh) * 2021-08-16 2021-11-26 东南大学 一种基于深度神经网络的汽车稳定性因数预测方法
CN114021809A (zh) * 2021-11-02 2022-02-08 盐城工学院 一种无人驾驶用交通流量预测的图层级卷积神经网络模型
CN114926823A (zh) * 2022-05-07 2022-08-19 西南交通大学 基于wgcn的车辆驾驶行为预测方法
CN115257789A (zh) * 2022-09-02 2022-11-01 东南大学 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN115440041A (zh) * 2022-09-02 2022-12-06 东南大学 一种路侧视角下的重点车辆驾驶行为预测方法
CN115848398A (zh) * 2022-11-22 2023-03-28 上海大学 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法
CN116383685A (zh) * 2023-03-09 2023-07-04 浙江工业大学 一种基于时空交互图注意力网络的车辆变道检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3495220B1 (en) * 2017-12-11 2024-04-03 Volvo Car Corporation Path prediction for a vehicle
US20200324794A1 (en) * 2020-06-25 2020-10-15 Intel Corporation Technology to apply driving norms for automated vehicle behavior prediction

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112622886A (zh) * 2020-12-20 2021-04-09 东南大学 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN113362491A (zh) * 2021-05-31 2021-09-07 湖南大学 一种车辆轨迹预测及驾驶行为分析方法
CN113705865A (zh) * 2021-08-16 2021-11-26 东南大学 一种基于深度神经网络的汽车稳定性因数预测方法
CN114021809A (zh) * 2021-11-02 2022-02-08 盐城工学院 一种无人驾驶用交通流量预测的图层级卷积神经网络模型
CN114926823A (zh) * 2022-05-07 2022-08-19 西南交通大学 基于wgcn的车辆驾驶行为预测方法
CN115257789A (zh) * 2022-09-02 2022-11-01 东南大学 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN115440041A (zh) * 2022-09-02 2022-12-06 东南大学 一种路侧视角下的重点车辆驾驶行为预测方法
CN115848398A (zh) * 2022-11-22 2023-03-28 上海大学 一种基于学习及考虑驾驶员行为特征的车道偏离预警系统评估方法
CN116383685A (zh) * 2023-03-09 2023-07-04 浙江工业大学 一种基于时空交互图注意力网络的车辆变道检测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
RSG-GCN: Predicting Semantic Relationships in Urban Traffic Scene With Map Geometric Prior;Yafu Tian 等;IEEE Open Journal of Intelligent Transportation Systems;全文 *
Trajectory Prediction Using Graph-Based Deep Learning for Longitudinal Control of Autonomous Vehicles: A Proactive Approach for Autonomous Driving in Urban Dynamic Traffic Environments;Youngmin Yoon 等;IEEE Vehicular Technology Magazine;全文 *
Visual Reasoning using Graph Convolutional Networks for Predicting Pedestrian Crossing Intention;Chen T 等;2021 IEEE/CVF International Conference on Computer Vision Workshops (ICCVW);全文 *
基于图神经网络的行人轨迹预测研究综述;曹健 等;计算机工程与科学;全文 *
基于多模型输入的车辆轨迹预测研究;于秋爽;中国优秀硕士学位论文全文数据库 工程科技II辑;全文 *
基于深度学习的车联边缘网络交通事故风险预测算法研究;赵海涛;程慧玲;丁仪;张晖;朱洪波;;电子与信息学报(第01期);全文 *
复杂交通环境下智能车辆高可靠车道级融合定位方法研究;郑智勇;万方学位论文;全文 *
遮挡环境下基于路侧异源雷达融合的多交通目标鲁棒跟踪方法;兰浩然 等;仪器仪表学报;全文 *

Also Published As

Publication number Publication date
CN116959260A (zh) 2023-10-27

Similar Documents

Publication Publication Date Title
CN112265546B (zh) 基于时空序列信息的网联汽车车速预测方法
Xing et al. Energy oriented driving behavior analysis and personalized prediction of vehicle states with joint time series modeling
CN112257850B (zh) 一种基于生成对抗网络的车辆轨迹预测方法
Huang et al. An intelligent multifeature statistical approach for the discrimination of driving conditions of a hybrid electric vehicle
CN109910909B (zh) 一种多车运动状态的汽车轨迹网联交互式预测方法
CN110992695B (zh) 基于冲突消解的车辆城市交叉口通行决策多目标优化方法
CN109493599A (zh) 一种基于生成式对抗网络的短时交通流预测方法
Jiang et al. Traffic and vehicle speed prediction with neural network and hidden markov model in vehicular networks
Han et al. Driving intention recognition and lane change prediction on the highway
Yin et al. Data-driven models for train control dynamics in high-speed railways: LAG-LSTM for train trajectory prediction
CN109272745A (zh) 一种基于深度神经网络的车辆轨迹预测方法
CN112735126A (zh) 一种基于模型预测控制的混合交通流协同优化控制方法
CN113205698A (zh) 一种基于igwo-lstm的短时交通流预测的导航提醒方法
CN112884014A (zh) 一种基于路段拓扑结构分类的交通速度短时预测方法
Haputhanthri et al. Short-term traffic forecasting using LSTM-based deep learning models
CN115742855A (zh) 电动汽车剩余里程预测方法、装置、电动汽车及介质
Hu et al. Driver identification using 1D convolutional neural networks with vehicular CAN signals
CN114167898A (zh) 一种无人机收集数据的全局路径规划方法及系统
Zhang et al. Direction-decision learning based pedestrian flow behavior investigation
CN113935109A (zh) 一种多智能体停车系统仿真系统及其构建方法
CN112098869B (zh) 一种基于大数据的自适应电动汽车soc估计方法
CN116959260B (zh) 一种基于图神经网络的多车辆驾驶行为预测方法
Hwang et al. Comparative study on the prediction of city bus speed between LSTM and GRU
CN117056765A (zh) 一种车速多时间尺度预测方法、系统、设备、介质及终端
CN116596126A (zh) 一种公交串车预测方法及系统

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
GR01 Patent grant
GR01 Patent grant