论文部分内容阅读
为了避免智能驾驶车辆在道路行驶过程中与其他人工驾驶车辆发生碰撞,需要预测人工驾驶车辆未来一段时间的行驶轨迹,以便智能车辆做出合理的决策规划,提高行驶安全性和乘坐舒适性。但目前预测车辆运动轨迹的方法大多停留在基于模型和基于数据驱动的理论研究阶段,存在预测时长短、处理场景单一、实时性和稳定性不好等缺点,无法投入实用。因此,本文设计了一种基于LSTM的车道序列预测算法并开发了一种实时动态车辆未来轨迹预测系统。
该系统由容器、分析器、评估器、预测器四个模块构成。
容器负责数据存储和预处理。容器首先利用卡尔曼滤波算法处理感知到的周围车辆信息,提高对上游感知信息的可信度;然后通过定位信息和高精度地图信息构建每一个碍物车辆未来行驶的车道序列,为后续车道评估做准备;最后提取规划信息为场景分析做数据支持。
分析器负责处理预测过程中复杂状况。采用分场景方法处理道路场景的复杂问题;采取划分路权方法解决车辆在路口的博弈问题;同时,划分障碍车辆优先级,对不影响智能车行驶的车辆直接忽略,提高系统的实时性。
评估器负责评估每条车道序列的概率。对于不同场景,基于长短期记忆网络的时序特性提出了巡航LSTM评估模型和路口LSTM评估模型。通过实验,两种评估模型对车道序列概率评估的准确率达到90%以上。
预测器负责生成车辆未来的运动轨迹。包括针对不同场景的车道序列预测器、移动序列预测器和路口预测器。通过在高速路和城区道路环境中的实车实验,表明三种预测器可以每秒10Hz的频率预测车辆未来8s的行驶轨迹且平均误差可控制在5m左右。
综上所述,本研究技术路线正确,实验数据真实可靠,在预测准确性、实时性和稳定性上有明显提高,预测效果良好,具有较高的实用价值和理论参考意义。
该系统由容器、分析器、评估器、预测器四个模块构成。
容器负责数据存储和预处理。容器首先利用卡尔曼滤波算法处理感知到的周围车辆信息,提高对上游感知信息的可信度;然后通过定位信息和高精度地图信息构建每一个碍物车辆未来行驶的车道序列,为后续车道评估做准备;最后提取规划信息为场景分析做数据支持。
分析器负责处理预测过程中复杂状况。采用分场景方法处理道路场景的复杂问题;采取划分路权方法解决车辆在路口的博弈问题;同时,划分障碍车辆优先级,对不影响智能车行驶的车辆直接忽略,提高系统的实时性。
评估器负责评估每条车道序列的概率。对于不同场景,基于长短期记忆网络的时序特性提出了巡航LSTM评估模型和路口LSTM评估模型。通过实验,两种评估模型对车道序列概率评估的准确率达到90%以上。
预测器负责生成车辆未来的运动轨迹。包括针对不同场景的车道序列预测器、移动序列预测器和路口预测器。通过在高速路和城区道路环境中的实车实验,表明三种预测器可以每秒10Hz的频率预测车辆未来8s的行驶轨迹且平均误差可控制在5m左右。
综上所述,本研究技术路线正确,实验数据真实可靠,在预测准确性、实时性和稳定性上有明显提高,预测效果良好,具有较高的实用价值和理论参考意义。