周圍交通參與者行駛軌跡的準(zhǔn)確預(yù)測(cè)是自動(dòng)駕駛汽車進(jìn)行自主決策的基礎(chǔ)�，F(xiàn)有研究多從單車駕駛行為出發(fā),依賴線性遞推進(jìn)行軌跡預(yù)測(cè),僅適用于稀疏交通場(chǎng)景,且不能嵌入道路幾何結(jié)構(gòu)信息。當(dāng)交通流更加密集時(shí),多車群體中沖突博弈行為頻繁、交互關(guān)系強(qiáng)烈,現(xiàn)有方法在該場(chǎng)景中的準(zhǔn)確度隨預(yù)測(cè)時(shí)域增長(zhǎng)而急劇下降。本課題以周車軌跡預(yù)測(cè)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(jì)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(cè)算法,實(shí)現(xiàn)高速公路密集交通場(chǎng)景下多周車、長(zhǎng)時(shí)域、高精度的軌跡預(yù)測(cè)。首先,針對(duì)道路交通元素形式多樣、差異較大的問題,設(shè)計(jì)典型道路交通元素的描述方法,提取用于軌跡預(yù)測(cè)的通用性特征,避免脫離道路結(jié)構(gòu)進(jìn)行軌跡預(yù)測(cè),提高預(yù)測(cè)模型的泛用性。設(shè)計(jì)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(xì)程度的二維矩陣形式的場(chǎng)景地圖與基于碰撞風(fēng)險(xiǎn)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(shí)空特征,后5層全連接層用于進(jìn)一步挖掘深層特征。其次,針對(duì)周車群體間行為沖突強(qiáng)烈、交互頻繁的問題,設(shè)計(jì)群體交互式軌跡預(yù)測(cè)算法,... 

【文章來源】：清華大學(xué)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(xué)位級(jí)別】：碩士

【部分圖文】：

基于物理模型的周車軌跡預(yù)測(cè)方法示意圖[3]

第1章緒論6在線學(xué)習(xí)不同行為模式下對(duì)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(dá)形式。相比上述幾種方法，高斯過程法的優(yōu)點(diǎn)是對(duì)軌跡噪聲的魯棒性更高，缺點(diǎn)是計(jì)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(dá)形式，在線預(yù)測(cè)時(shí)首先通過計(jì)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(zhǎng)公共子序列（LongestCommonSubsequence，LCS）[32]，四元旋轉(zhuǎn)不變最長(zhǎng)公共子序列（Quaternion-basedRotationallyInvariantLCS）[26]等。計(jì)算歷史軌跡到每種行為模式的距離后，最簡(jiǎn)單的預(yù)測(cè)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(cè)基準(zhǔn)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(cè)基準(zhǔn)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(cè)基準(zhǔn)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(hào)燈、道路結(jié)構(gòu)類型等分類變量的功能[33]。根據(jù)基準(zhǔn)模型（即識(shí)別到的行為模式）生成預(yù)測(cè)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(shí)別到的行為模式的模型，如圖1.3(a)所示[35]；快速搜索隨機(jī)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(jī)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(dá)集作為車輛未來軌跡的一種新的表達(dá)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(jī)樹法(b)高斯噪聲法(c)可達(dá)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(shí)間的嚴(yán)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(shí)際執(zhí)行中的隨機(jī)變化。特別地，當(dāng)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(shí)，一般需要剔除其軌跡中停車的時(shí)間段，才能正常計(jì)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(jì)不含時(shí)間項(xiàng)的函數(shù)描述行為模式，在一定程度上解決時(shí)間依賴（time-dependent）的問題，但也有其他不足：計(jì)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(shí)的軌跡。使用原型軌跡法的另一大困難是對(duì)不同道路結(jié)構(gòu)的適應(yīng)性問題，特別是在交叉口場(chǎng)景下，在某一交叉口結(jié)構(gòu)下訓(xùn)練的預(yù)測(cè)模型只能在相似的幾何結(jié)構(gòu)下才能再利用。（2）意圖識(shí)別法估計(jì)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(cè)車輛的連續(xù)物理狀態(tài)，保持符合識(shí)別到的行為反應(yīng)在車輛上可能的執(zhí)行過程。意圖識(shí)別法相對(duì)于原型軌跡法的主要優(yōu)點(diǎn)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(shí)別行為意圖，從而提高預(yù)測(cè)模型在不同道路結(jié)構(gòu)中的泛用性。常用的識(shí)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(xiàn)】：
期刊論文
[1]中國(guó)汽車工程學(xué)術(shù)研究綜述·2017[J]. 《中國(guó)公路學(xué)報(bào)》編輯部.  中國(guó)公路學(xué)報(bào). 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(shì)[J]. 李克強(qiáng),戴一凡,李升波,邊明遠(yuǎn).  汽車安全與節(jié)能學(xué)報(bào). 2017(01)



本文編號(hào)：3589452