轨迹数据驱动的车辆换道意图识别研究

摘要：

为实现准确识别车辆换道意图,提高车辆行驶安全性,综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度,提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型.首先,筛选和平滑处理车辆轨迹数据,将车辆轨迹数据分为向左换道、向右换道及直线行驶3类,构建换道意图样本集.其次,构建融合注意力机制的CNN_GRU模型,识别换道意图样本集,考虑到行驶过程中车辆之间的交互性,将被预测车辆和周围车辆的位置和速度信息作为模型的输入,经过CNN层特征提取的特征作为GRU层的输入,经过注意力机制层对不同的特征增加不同的权重系数,利用Softmax层识别换道意图.最后,选用NGSIM中US-101数据集的轨迹数据验证融合注意力机制的CNN_GRU模型性能,同时,与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析.验证结果表明,所提模型车辆换道意图识别整体准确率达到97.37％,迭代时间为6.66 s,相比于其他模型准确率最多提高9.89％,最少提高2.1％.分析不同预判时间下的意图识别,模型可在车辆换道前2 s内均能识别换道意图,准确率在89％以上,表现出良好的识别性能.

关键词：智能交通、换道意图识别、数据驱动、门控神经单元网络、注意力机制

所属期刊栏目：22

分类号：U495(交通工程与公路运输技术管理)

在线出版日期：2022-09-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：63-71