基于CNN-Transformer-GRU-Att的车辆换道意图识别.pdf
《基于CNN-Transformer-GRU-Att的车辆换道意图识别.pdf》由会员分享,可在线阅读,更多相关《基于CNN-Transformer-GRU-Att的车辆换道意图识别.pdf(17页珍藏版)》请在咨信网上搜索。
1、Operations Research and Fuzziology 运筹与模糊学运筹与模糊学,2024,14(1),806-822 Published Online February 2024 in Hans.https:/www.hanspub.org/journal/orf https:/doi.org/10.12677/orf.2024.141075 文章引用文章引用:韩天立,徐晴晴,胡林治.基于 CNN-Transformer-GRU-Att 的车辆换道意图识别J.运筹与模糊学,2024,14(1):806-822.DOI:10.12677/orf.2024.141075 基于基于C
2、NN-Transformer-GRU-Att的车辆换道的车辆换道 意图识别意图识别 韩天立韩天立,徐晴晴徐晴晴,胡林治胡林治 上海理工大学光电信息与计算机工程学院,上海 收稿日期:2023年12月12日;录用日期:2024年1月2日;发布日期:2024年2月29日 摘摘 要要 在当前自动驾驶车辆与传统车辆并存的复杂交通环境中,快速准在当前自动驾驶车辆与传统车辆并存的复杂交通环境中,快速准确确地地识识别车辆换道意图能够帮助自动驾别车辆换道意图能够帮助自动驾驶系统做出更加安全舒适的操作决策。本文首先采用扩展卡尔曼滤波方法对车辆轨迹数据进行筛选并平驶系统做出更加安全舒适的操作决策。本文首先采用扩展卡
3、尔曼滤波方法对车辆轨迹数据进行筛选并平滑处理,再基于航向角的变化对车辆驾驶行为分类并标注驾驶意图。然后,为了充分考虑车辆之间交互滑处理,再基于航向角的变化对车辆驾驶行为分类并标注驾驶意图。然后,为了充分考虑车辆之间交互作用、高效提取换道过程的时序连续特征以及捕捉车辆行驶轨迹序列中局部和长期依赖性,本文构建了作用、高效提取换道过程的时序连续特征以及捕捉车辆行驶轨迹序列中局部和长期依赖性,本文构建了一种基于一种基于CNN-Transformer-GRU-Att的车辆换道意图识别模型,将目标车辆和周围车辆的行驶数据信息的车辆换道意图识别模型,将目标车辆和周围车辆的行驶数据信息作为输入,实验结果表明,
4、本文所提模型对车辆换道意图的准确率为作为输入,实验结果表明,本文所提模型对车辆换道意图的准确率为91.38%,推理耗时为,推理耗时为10.08 s,多,多种评价指标显著优于其他模型。此外消融实验证明引入的种评价指标显著优于其他模型。此外消融实验证明引入的Transformer模块、模块、GRU层和注意力机制能够层和注意力机制能够分别提高分别提高3.19%,5.07%和和1.08%的准确率。最后分析模型输入车辆历史行驶轨迹序列的不同长度下的的准确率。最后分析模型输入车辆历史行驶轨迹序列的不同长度下的意图识别结果,模型可在车辆换道前意图识别结果,模型可在车辆换道前2 s内能以内能以89%以上的准确
5、率识别换道意图。以上的准确率识别换道意图。关键词关键词 换道意图识别,深度学习,换道意图识别,深度学习,Transformer模型,门控神经单元网络,注意力机制,智能交通模型,门控神经单元网络,注意力机制,智能交通 Vehicle Lane-Changing Intent Recognition Based on CNN-Transformer-GRU-Att Tianli Han,Qingqing Xu,Linzhi Hu School of Optoelectronic Information and Computer Engineering,University of Shanghai
6、for Science and Technology,Shanghai Received:Dec.12th,2023;accepted:Jan.2nd,2024;published:Feb.29th,2024 韩天立 等 DOI:10.12677/orf.2024.141075 807 运筹与模糊学 Abstract In the current complex traffic environment where self-driving vehicles and traditional vehicles coexist,fast and accurate identification of
7、vehicle lane changing intention can help the self-driving system make safer and more comfortable operation decisions.Firstly,the vehicle trajectory data are first filtered and smoothed using the extended Kalman filter method.Secondly,vehicle driving behavior was classified based on changes in headin
8、g angle and labeled with driving intentions.Thirdly,a vehicle lane change intention recognition model based on CNN-Transformer-GRU-Att was constructed to fully consider inter-vehicle interactions,efficiently extract time-continuous features of the lane-changing process,and capture local and long-ter
9、m dependencies in the se-quence of vehicle trajectories.Taking as input the information on the traveling data of the target vehicle and the surrounding vehicles,it was proved that the model proposed in this paper has an accuracy of 91.38%for the intention of vehicles to change lanes,with an inferenc
10、e time of 10.08 s.A variety of evaluation indexes are significantly better than those of other models.Fourthly,the ablation experiments demonstrated that the introduced Transformer module,GRU layer and at-tention mechanism can help the model to improve the accuracy by 3.19%,5.07%and 1.08%re-spective
11、ly.Finally,the results of intent recognition under different lengths of the historical vehicle trajectory sequences inputted into the model demonstrated the model can recognize the intent to change lanes within 2 seconds before the vehicle changes lanes with an accuracy of more than 89%.Keywords Lan
12、e Changing Intent Recognition,Deep Learning,Transformer Model,Gated Neural Unit Network,Attention Mechanism,Intelligent Transportation Copyright 2024 by author(s)and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License(CC BY 4.0).http:/creativecommon
13、s.org/licenses/by/4.0/1.引言引言 目前,许多研究已经证明了自动驾驶汽车在应对道路安全、燃油消耗、可持续性等挑战方面的有效性。考虑到目前的科学成就,很难想象未来无人驾驶汽车不会被用于交通运输。然而,在自动驾驶汽车大规模上路之前,还有很多问题需要解决,例如对于车辆换道意图的快速准确识别。由美国高速公路安全管理局的统计数据可知,由于驾驶员操作不当引发的交通事故占总数的 94%,其中由于换道操作不当引发的交通事故约占到总数的 27%1,这是因为当自身车辆或者周围车辆执行换道操作时,驾驶员无法全面获取人、车、路等多方面信息,也无法了解驾驶员在执行换道行为时的各种隐藏特征,对于当前
14、车辆所处的环境无法做出准确快速的判断。所以,当驾驶员在驾驶时能够通过车联网设备准确获得自身车辆和周围车辆的实时动态信息,同时驾驶辅助系统可以根据这些信息精准地识别出车辆的换道意图并选择必要时机介入操纵车辆,那么就可以有效减少换道行为带来的风险,对道路交通安全提供了极大地保障。因此对于车辆换道行为的研究一直以来都是交通安全领域重点方向之一,与迄今为止进行的大多数变道研究一样,本文选择的是基于高速公路变道情景。针对车辆换道意图的识别,国内外学者进行了大量的研究,其构建模型中所使用的识别方法根据基于算法的不同大致可以分为三类。第一类是生成式模型,这是一种概率模型。早在 1997 年 Liu 等2首次
15、Open AccessOpen Access韩天立 等 DOI:10.12677/orf.2024.141075 808 运筹与模糊学 将驾驶员在换道操作时的一种内心状态定义为“换道意图”,并第一个采用隐马尔科夫模型(HMM)以车辆驾驶数据信息为根据来推断驾驶意图。在此基础上,Pentland 等3提出了动态马尔科夫换道意图识别模型,宗长富等4提出了双层隐马尔科夫换道意图识别模型,以及 Jin 5等提出了连续隐马尔科夫换道意图识别模型。此外,还有一些车辆换道意图识别模型是建立于 HMM 模型和其他算法相融合的基础之上。例如曲文奇等6提出了混合高斯隐马尔科夫模型(GMM-HMM)。宋晓琳等7使用
16、 HMM 和支持向量机(SVM)进行建模,使得能够更快速准确地识别车辆换道意图。Li 8等将贝叶斯滤波(BF)方法与隐马尔科夫模型(HMM)相融合来进行车辆换道意图识别,HMM 的初步输出进一步使用 BF 方法进行过滤以做出最终决策。Li 9等提出了一种基于动态贝叶斯网络(DBN)的换道意图推理方法,并为了考虑驾驶员先前的行为将自回归(AR)与 HMM 相结合。由于 HMM 在变道过程中捕获环境信息的能力有限,这些基于HMM 改进的车辆换道意图识别模型性能上有一定的提升,整体识别准确率仍显不足。第二类是判别式模型,常用的算法有 k 近邻法、感知机、SVM、逻辑回归、条件随机场、决策树、最大熵以
17、及 RF 等,这类方法被广泛运用于车辆换道意图的识别与分类的研究工作,这类判别模型有着丰富的背景理论和成功的应用经验。Schlechtriemen J 等10采用随机森林方法建立迭代时间短、准确率高且可回溯的车辆换道意图预测模型。Morris 等11 12对支持向量机算法进行贝叶斯扩展,即相关向量机(RVM)对驾驶员变道和车道保持意图进行分类。该分类器的准确率达到 80%,且虚警率相对较低。Lethaus 等13提出了一种基于人工神经网络的驾驶员意图识别方法,左变道检测精度优于右变道检测精度。Kumar 等14将支持向量机和贝叶斯滤波融合使用构建了一个多类分类器,结果表明该算法可以实现平均 1
18、.3 s 的提前预测。Jang 等将驾驶员行驶途中瞳孔变化和运动数据作为输入来训练 SVM 分类器,其换道意图预测模型准确度在 75%左右。Hanwool 等将车辆相对于车道线的横向距离和速度变化作为部分特征训练得到了虚警率更低的 SVM 分类模型。黑凯先等15提出基于随机森林决策树算法的换道意图识别模型,其数据集是通过自建车辆仿真平台采集而得。第三类是深度学习模型,近年来,由于深度学习理论、并行计算硬件、大规模标注数据集等方面的发展,深度学习领域取得了巨大的成就。针对车辆换道意图的识别任务,其特征隐藏难以挖掘,而基于深度学习方法构建的模型具有很强的自学习能力,相较于上述前两类模型性能更为优良
19、,同时其模型参数可调的优点使得能够更好地适用于不同的行驶场景数据集。由于循环神经网络 RNN 具有记录前一时刻信息的基础上处理当前时刻数据的特性,故常被用于处理数据集之间的时间依赖性。同时又因为车辆换道意图预测模型通常需要考虑之前的驾驶员行为和交通环境,而传统 HMM方法捕捉长期依赖性的能力有限,所以不少学者开始应用循环神经网络以及其各种变种网络来更准确识别车辆换道意图。Patel S 等16利用图结构模型表示目标车辆与周围车辆的交互关系,提出了一种基于结构化 RNN(SRNN)的换道意图预测模型。Scheel O 等17将多头注意力机制和双层 LSTM 融合使用,提升了模型的准确性和可解释性
20、。Hochreiter 等18提出了一种长短期记忆(LSTM)网络来增加长期依赖性并克服梯度下降。季学武等19使用长短期记忆网络识别车辆换道意图并对换道轨迹做出预测。Zyner 等20提出了 LSTM-RNN 模型来推断车辆进入交互时的驾驶意图,证明了 RNN 优于二次判别分析模型。Jain等21证明了基于 LSTM-RNN 的车辆换道意图预测模型性能优于多个 HMM 模型,可以在变道发生前 3.5秒检测到换道意图,同时准确率和召回率达到了 90.5%和 87.4%。XIE 等22采用深度置信网络(DBN)构建车辆换道行为预测模型。近几年基于深度学习方法构建的车辆换道意图识别模型性能表现较为优
21、良,但是仍有提升空间,而且大多数研究仍然没有很好的处理车辆之间的交互关系。同时目前大多数模型的训练数据都采用的是离散的车辆轨迹数据信息,没有重点注意到车辆历史行驶信息中存在一定的时序和空间相关性,并且在进行海量数据计算时无法避免一定的重复和冗余,耗费时间较长。此外还有一部分模型选取驾驶员的生理特征为训练数据信息,这类信息的采集不仅需要专业车载设备,并涉嫌侵犯驾驶员隐私。因此针对车辆韩天立 等 DOI:10.12677/orf.2024.141075 809 运筹与模糊学 运动轨迹的时空特点,本文选择使用保护驾驶员隐私且获取简便的 NGSIM 车辆轨迹数据,提出了一种基于 CNN-Transfo
22、rmer-GRU-Att 组合模型来进行车辆换道意图识别。2.数据预处理数据预处理 本文选用的数据集来源于 NGSIM(Next Generation Simulation)数据集,它是由美国联邦公路局(Federal Highway Administration)搜集的美国公路行车数据,在 US-101,I-80,Lankershim Boulevard 和 Peachtree Street 四个特定路段场景上安装高空摄像头采集获取,记录了摩托车、小汽车以及大型车的行驶轨迹信息,包括车辆识别编号、车辆采集区域坐标系坐标、车辆标准地理坐标系坐标、车辆速度、车辆加速度、车道编号、车头间距和车头时
23、距等。NGSIM 数据集中车辆轨迹数据类型的详细描述如下表 1 所示。Table 1.NGSIM dataset variable description 表表 1.NGSIM 数据集变量描述 字段 变量说明 单位 Vehicle_ID 车辆编号-Frame_ID 当前车辆在研究路段的帧数 0.1 s Total_Frame 当前车辆在研究路段记录的总帧数 0.1 s Global_Time 标准时间 ms Local_X 车头中心与检测路段左侧的距离 feet Local_Y 车头中心与检测路段起点的距离 feet Global_X 标准地理坐标系的横坐标 feet Global_Y 标准地
24、理坐标系的纵坐标 feet v_Length 车辆长度 feet v_Width 车辆宽度 feet v_Class 车辆类型:1-为摩托车;2-为小汽车;3-为大型车-v_Vel 车辆瞬时速度 feets1 v_Acc 车辆瞬时加速度 feets2 Lane_ID 车道编号-其中 Vehicle_ID 车辆识别编号是根据车辆进入该区域的时间升序进行编排的,重复利用。因此会出现相同车辆识别编号的车辆但是实际上并非同一车辆,也就是说在处理数据不可以车辆识别编号作为车辆的唯一区分凭证。而 Frame_ID 是表示该条数据在某一时刻的帧数,从开始时间升序,同一 Vehicle_ID的帧号不会重复,所
25、以后续可以根据在连续帧数(一定时间段)内的同一 Vehicle_ID 的数据获取某一车辆的一定时间长度的行驶轨迹序列信息。Local_X 是采集区域坐标系下车辆前部中心的横向(X)坐标,以英尺为单位,相对于截面在行驶方向上的最左侧边缘,即以内侧车道往外侧车道变化的方向为正方向。Local_Y 是采集区域坐标系下车辆前部中心的纵向(Y)坐标,以英尺为单位,相对于截面在行驶方向上的进入边缘,即以车辆行驶方向为正方向。同时将长度单位是“英尺(feet)”的多种类型数据转化为国际单位制基本长度单位米(m)。由于本文研究工作集中在更具有普适性的高速公路而不是某一个特定的城市交通场景。所以本文选用的基础数
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN Transformer GRU Att 车辆 意图 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。