详情

原文传递面向场景的交通车运动预测方法研究

论文题名：	面向场景的交通车运动预测方法研究
关键词：	自动驾驶;行为预测;轨迹预测;深度学习;图神经网络;交通车
摘要：	自动驾驶汽车必须与周围交通车辆进行良好的交互与合作，以实现安全高效的行驶。尽管自动驾驶技术得到了长足发展，但在复杂的交通场景中，如变换车道、匝道汇入、环形交叉路口和无信号灯控制的交叉路口等，仍存在挑战。为了安全地通过这些场景，自动驾驶车辆需要提前预测其他车辆的运动状态。不同场景具有不同的道路结构特征以及环境交互特点，因此需要针对每种场景设计适合的交通车运动预测方法，以准确可靠地预测车辆运动状态，并实现安全可靠的自动驾驶。　　本文在深入分析常见驾驶场景的道路结构特征以及环境交互特点的基础上，针对不同的典型驾驶场景，开展了面向场景的交通车运动预测方法研究。提出基于博弈论（Gametheory）和隐马尔科夫模型（HiddenMarkovModel）的车辆行为预测框架，解决了高速公路场景下车辆行为识别与车辆意图预测的统一性问题；构建基于数据驱动的多模态车辆行为和轨迹预测模型，解决了高速公路场景下车辆行为预测和车辆轨迹预测的完整性问题；利用不同类型城区主道路中的道路结构信息，结合设计的不同类型的注意力机制，实现了城区主道路中车辆轨迹准确、合理的预测；设计适用于不同类型城区密集混杂交通场景的交互对象选取方法，建立起能够满足目标车辆动力学约束的轨迹预测模型，构建城区无信号灯密集混杂交通数据集并在该数据集上验证轨迹预测模型的性能。本文主要研究内容如下：　　首先，针对高速公路场景下车辆的行为预测问题，本文提出了一个基于博弈论（Gametheory）和隐马尔科夫模型（HiddenMarkovModel）的车辆行为预测框架。考虑到车辆行为的惯性（即车辆倾向于保持当前行为不变的特性），设计了基于高斯隐马尔科夫模型的车辆行为识别模型。基于前向算法以及后向算法，对车辆行为识别模型的求解进行了推导。利用NGSIM数据集，结合期望最大化算法对车辆行为识别模型的参数进行了估计。构造基于博弈论的车辆意图预测模型，设计了车辆轨迹收益函数并对收益函数进行了标定。构建基于数据集以及仿真环境的测试试验，对高速公路场景下车辆的行为预测算法进行了验证。　　其次，为了解决高速公路场景下车辆行为预测和车辆轨迹预测的完整性问题，提出了一种高速公路场景下的多模态车辆行为和轨迹预测算法，该算法能够同时预测出高速公路场景下车辆的多模态行为以及对应行为下的轨迹。通过分析高速公路的道路结构特征以及高速公路场景下车辆的行为特点，以目标车辆为中心，设计了高速公路场景下的交互对象选取方法。为了更充分的提取场景中每辆车的运动特征，设计了基于BiGRU的车辆轨迹编码器。为了提取场景中更加丰富的交互特征，构建了膨胀卷积社交层。构建基于NGSIM数据集和HighD数据集的对比实验以及消融实验，验证分析了模型的行为预测性能和轨迹预测性能。　　再次，根据不同类型城区主道路中的道路结构特征，建立了基于VectorNet的道路结构特征提取方法。为了探究不同特征输入方式对轨迹预测模型性能的影响，设计了三种不同的车辆特征以及道路特征输入方式。为了建模不同道路结构特征对场景中车辆运动的影响，设计了基于多头注意力机制的地图信息聚合方法。构建基于图结构的车辆交互特征提取模型，通过采用多种不同的注意力机制建模了场景中其他动态车辆与目标车辆之间的交互作用。根据目标车辆与其他车辆间的交互特征、目标车辆的地图加权特征、目标车辆的运动特征，构建基于条件变分自动编码器（ConditionalVariationalAutoEncoder,CVAE）的轨迹预测模块。基于ArgoverseMotionPrediction数据集以及INTERACTION数据集构建对比实验和消融实验，验证分析了轨迹预测模型以及模型中部分关键模块的有效性。　　最后，建立城区密集混杂交通下的车辆轨迹预测模型。为了使预测模型能够适用于不同类型的密集混杂交通场景，设计了一种基于图的交互特征选取方法。构建种类层，提取了不同类型交通参与者的运动模式。为了提取感兴趣交通参与者与目标车辆之间的空间时序交互特征，建立了基于图操作层和时序卷积层的图卷积模型。构建目标车辆的动力学特征，探究并设计了不同类型的轨迹预测模块。构建城区无信号灯密集混杂交通数据集HID，在多个不同类型数据集上对模型进行对比实验和消融实验。
作者：	支永帅
专业：	车辆工程
导师：	张素民
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2023