張峻峰

（重慶交通大學(xué)機(jī)電與車輛工程學(xué)院，重慶400074）

主題詞：智能車 軌跡預(yù)測(cè)算法 十字路口 換道

縮略語(yǔ)

CNN Convolutional Neural Networks

DNN Deep Neural Networks

LSTM Long Short-Term Memory

RNN Recurrent Neural Network

MDN Mixture Density Networks

POMDP Partially Observable Markov Ddecision Processes

UKF Unscented Kalman Filter

IaKNN Interactive apperceive Kalman Neural Network

VBIN Vehicle Behavior Interaction Network

GISNet Graph Information Sharing Network

STLSTM Space Time Long Short-Term Memory Model

V-LSTM Very Long Short-Term Memory

CS-LSTM Cuckoo Search Long Short-Term Memory

MATF Multi Agent Tensor Fusion

NMP Neural Motion Planner

1 前言

自上世紀(jì)80年代中期以來(lái)，自動(dòng)駕駛技術(shù)一直是汽車制造商、大學(xué)和研究機(jī)構(gòu)的研發(fā)工作重點(diǎn)，許多公司已經(jīng)在不同類型的汽車上開發(fā)了自動(dòng)駕駛汽車技術(shù)。完整的無(wú)人駕駛系統(tǒng)仍處于高級(jí)測(cè)試階段，但部分自動(dòng)駕駛系統(tǒng)在過(guò)去幾年已經(jīng)出現(xiàn)在汽車行業(yè)[1]，這些部分自動(dòng)駕駛系統(tǒng)提高了安全性、舒適性、運(yùn)輸時(shí)間和能源消耗，目標(biāo)是SAE級(jí)別達(dá)到L4級(jí)或更高。

IEEE通信協(xié)會(huì)的研究表明，超過(guò)90%的交通緊急情況是由人為失誤造成的[2]。隨著車輛未來(lái)軌跡預(yù)測(cè)技術(shù)的發(fā)展，自我車輛可以及時(shí)了解附近的車輛和交通狀況，從而有足夠的時(shí)間做出適當(dāng)?shù)臎Q策，準(zhǔn)確可靠的未來(lái)車輛軌跡預(yù)測(cè)算法可以提前發(fā)現(xiàn)潛在的碰撞，降低車輛碰撞風(fēng)險(xiǎn)[3]。預(yù)測(cè)周圍車輛的運(yùn)動(dòng)尤其困難，因?yàn)樵谝粋€(gè)場(chǎng)景中通常有多個(gè)交互主體[4]，駕駛行為是多模態(tài)的，例如：從一個(gè)共同的歷史軌跡，可能會(huì)出現(xiàn)幾個(gè)不同的未來(lái)軌跡。自動(dòng)駕駛汽車還必須在涉及人員(自身乘客、其他司機(jī)或行人)的安全與選擇到達(dá)目的地的有效速度之間找到平衡，同時(shí)不干擾現(xiàn)有交通。

本文收集了當(dāng)前最新的主要研究機(jī)構(gòu)對(duì)智能車軌跡預(yù)測(cè)方面的研究成果，并根據(jù)應(yīng)用場(chǎng)景對(duì)算法進(jìn)行分類，總結(jié)算法的優(yōu)缺點(diǎn)，提出了未來(lái)的發(fā)展方向。第2章分為3個(gè)部分，第1部分總結(jié)并分析基于十字路口場(chǎng)景的軌跡預(yù)測(cè)算法，第2部分總結(jié)并分析基于換道場(chǎng)景的軌跡預(yù)測(cè)算法，第3部分總結(jié)并分析基于其他場(chǎng)景的軌跡預(yù)測(cè)算法；第3章對(duì)本文進(jìn)行總結(jié)，并在算法和傳感器2個(gè)方面提出未來(lái)的研究方向。

2 智能車軌跡預(yù)測(cè)算法論述

Lefevre等[5]將車輛軌跡預(yù)測(cè)模型分為物理模型、機(jī)動(dòng)模型和交互感知模型，假設(shè)車輛行為僅依賴于物理定律的預(yù)測(cè)模型稱為物理模型；基于預(yù)期機(jī)動(dòng)預(yù)測(cè)車輛行為的模型稱為機(jī)動(dòng)模型；考慮車輛間交互的高級(jí)模型稱為交互感知模型。預(yù)測(cè)車輛軌跡的場(chǎng)景是多樣性的，例如：換道、T形路口、匯流和十字路口場(chǎng)景，不同的軌跡預(yù)測(cè)場(chǎng)景對(duì)于預(yù)測(cè)車輛的軌跡有不同的挑戰(zhàn)，而目前大部分車輛軌跡預(yù)測(cè)的算法都應(yīng)用于換道與十字路口場(chǎng)景下。因此，本文提出1種基于交通場(chǎng)景的車輛軌跡預(yù)測(cè)算法分類方法：基于十字路口場(chǎng)景、基于換道場(chǎng)景、基于其他場(chǎng)景。

2.1 基于十字路口場(chǎng)景

十字路口有很多行人、汽車、自行車和其它交通工具，十字路口是事故多發(fā)地帶，隨著無(wú)人駕駛技術(shù)的發(fā)展，十字路口處的車輛軌跡預(yù)測(cè)技術(shù)就顯得尤為重要。近年來(lái)，神經(jīng)網(wǎng)絡(luò)越來(lái)越受歡迎，神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)在于，在給定相關(guān)且數(shù)量充足的訓(xùn)練數(shù)據(jù)的情況下，能夠?qū)W習(xí)重要的特征。因此，Cui等[6]提出1種基于深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Net?works,CNN）的自主駕駛多模態(tài)軌跡預(yù)測(cè)方法，將車輛的環(huán)境編碼成柵格圖像作為CNN的輸入，CNN輸出車輛的預(yù)測(cè)軌跡，該方法將圖像作為輸入而沒(méi)有歷史軌跡以及車輛速度的信息，有可能造成軌跡預(yù)測(cè)誤差，網(wǎng)絡(luò)結(jié)構(gòu)如圖1。Sergio Casas等[4]提出了1種新的深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks，DNN)，包括1個(gè)探測(cè)器和預(yù)測(cè)器，探測(cè)器檢測(cè)激光雷達(dá)傳感器產(chǎn)生的三維點(diǎn)云圖和環(huán)境的動(dòng)態(tài)地圖作為預(yù)測(cè)器的輸入，預(yù)測(cè)器輸出車輛的駕駛意圖和預(yù)測(cè)軌跡，將其軌跡參數(shù)化為一系列的邊界框，包括當(dāng)前和未來(lái)的位置，該方法相比各自單獨(dú)模塊具有更高的準(zhǔn)確性，但也相應(yīng)的增加了算法的計(jì)算時(shí)間，在權(quán)衡利弊的情況下該方法是更好的選擇。Luo等[7]提出1種基于單個(gè)CNN的車輛軌跡預(yù)測(cè)方法，該方法輸入激光雷達(dá)傳感器探測(cè)的數(shù)據(jù)，使用CNN提取車輛的運(yùn)動(dòng)特征，然后添加2個(gè)卷積層來(lái)預(yù)測(cè)車輛的軌跡，試驗(yàn)結(jié)果表明該方法對(duì)路徑上的遮擋和稀疏數(shù)據(jù)有很高的魯棒性。

圖1 自主駕駛多模態(tài)軌跡預(yù)測(cè)網(wǎng)絡(luò)結(jié)構(gòu)[6]

長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)是1種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)，主要是為了解決長(zhǎng)序列訓(xùn)練過(guò)程中的梯度消失和梯度爆炸問(wèn)題。因此，Ma等[8]提出了1種基于LSTM的實(shí)時(shí)軌跡預(yù)測(cè)算法—TrafficPredict，該方法使用實(shí)例層來(lái)學(xué)習(xí)車輛的移動(dòng)和交互，并使用類別層來(lái)學(xué)習(xí)屬于同一類型車輛的相似性，以細(xì)化預(yù)測(cè)的車輛軌跡。該方法具有一定的局限性，該算法的精度會(huì)根據(jù)交通狀況和過(guò)去軌跡的持續(xù)時(shí)間而變化。

單一神經(jīng)網(wǎng)絡(luò)可能具有一定的缺陷，因此有些研究人員使用混合的神經(jīng)網(wǎng)絡(luò)方法來(lái)預(yù)測(cè)車輛的軌跡，例如：Alex Zyner等[9]提出了1種基于多模態(tài)概率解的軌跡預(yù)測(cè)方法，該方法使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)合混合密度網(wǎng)絡(luò)(Mixture Density Networks，MDN)來(lái)實(shí)現(xiàn)車輛軌跡預(yù)測(cè)，再通過(guò)聚類算法從1組可能軌跡中選擇出1條最有可能的軌跡，試驗(yàn)結(jié)果表明該方法具有很好的軌跡預(yù)測(cè)性能和很高的軌跡預(yù)測(cè)精度，網(wǎng)絡(luò)結(jié)構(gòu)如圖2。Marcel Schreiber等[10]提出1種激光雷達(dá)網(wǎng)格融合和RNN結(jié)合的方法，場(chǎng)景的鳥瞰圖（包括占用率和速度）作為1個(gè)序列輸入到RNN，訓(xùn)練RNN來(lái)預(yù)測(cè)車輛的未來(lái)軌跡，該方法相比之前的研究使用了更少的參數(shù)，但得到了更好的預(yù)測(cè)結(jié)果。

圖2 RNN和MDN結(jié)合的網(wǎng)絡(luò)結(jié)構(gòu)[9]

除了將神經(jīng)網(wǎng)絡(luò)用于預(yù)測(cè)車輛的軌跡，還出現(xiàn)了一些其他方法用于預(yù)測(cè)車輛的軌跡，例如Constantin Hubmann等[11]提出了1個(gè)在線的(Partially Observable Markov Decision Processes,POMDP)框架結(jié)合道路模型和車輛狀態(tài)來(lái)預(yù)測(cè)車輛的軌跡，根據(jù)與自車可能發(fā)生碰撞的時(shí)間來(lái)改變自車的加速度，該方法需要獲得其他車輛的信息（如：速度、加速度），傳感器存在的測(cè)量誤差可能造成軌跡預(yù)測(cè)誤差。Li等[12]提出了1種基于概率軌跡預(yù)測(cè)的條件生成神經(jīng)系統(tǒng)(CGNS)，其中包含1個(gè)帶有環(huán)境注意機(jī)制的深度特征提取器(DFE)和1個(gè)生成式神經(jīng)采樣器(GNS)，DFE從一系列歷史圖像和多個(gè)交互主體的軌跡中提取特征作為GNS的輸入，GNS利用深度潛變量模型和變分發(fā)散最小化方法，生成1組可行的未來(lái)軌跡，試驗(yàn)結(jié)果表明該方法相比其他幾種算法（例如CVM、S-LSTM等）具有更高的軌跡預(yù)測(cè)精度，網(wǎng)絡(luò)結(jié)構(gòu)如圖3。李暾等[13]提出1種基于深度置信網(wǎng)絡(luò)和SoftMax(DBN-SoftMax)軌跡預(yù)測(cè)方法，車輛的歷史軌跡作為輸入訓(xùn)練DBN-SoftMax網(wǎng)絡(luò)輸出車輛的未來(lái)軌跡，并使用權(quán)重聚類對(duì)結(jié)果進(jìn)行優(yōu)化，該方法在拓?fù)浣Y(jié)構(gòu)復(fù)雜的路網(wǎng)中也能得到更好的預(yù)測(cè)精度。Zeng等[14]提出了1種神經(jīng)運(yùn)動(dòng)規(guī)劃器(NMP)，輸入原始激光雷達(dá)數(shù)據(jù)和高清地圖，輸出一系列車輛的預(yù)測(cè)軌跡，選擇代價(jià)最小的1條軌跡，該方法需要提高原始激光雷達(dá)數(shù)據(jù)的精確度，來(lái)確保軌跡預(yù)測(cè)的準(zhǔn)確性。基于十字路口的軌跡預(yù)測(cè)算法總結(jié)如表1,根據(jù)算法的類別將算法分為單一神經(jīng)網(wǎng)絡(luò)、混合神經(jīng)網(wǎng)絡(luò)和其他方法3部分。

圖3 條件生成神經(jīng)系統(tǒng)結(jié)構(gòu)[12]

表1 基于十字路口的軌跡預(yù)測(cè)算法

2.2 基于換道場(chǎng)景

車輛在變道場(chǎng)景也經(jīng)常發(fā)生交通事故，當(dāng)自動(dòng)駕駛技術(shù)應(yīng)用到交通道路上時(shí)，由于傳感器數(shù)據(jù)存在一定的誤差，有可能導(dǎo)致智能車在換道時(shí)容易發(fā)生交通事故，因此在換道場(chǎng)景下的車輛軌跡預(yù)測(cè)技術(shù)可以有效地提高車輛反應(yīng)時(shí)間，從而減少交通事故的發(fā)生。很多學(xué)者將改進(jìn)的卡爾曼濾波方法用于預(yù)測(cè)車輛的軌跡，例如張一鳴等[15]提出考慮駕駛意圖與基于車輛運(yùn)動(dòng)模型的方法，將車輛意圖定為保持和換道2種，結(jié)合無(wú)損卡爾曼濾波（Unscented Kalman Filter，UKF）預(yù)測(cè)車輛軌跡，該方法有效地提高了軌跡預(yù)測(cè)的預(yù)測(cè)精度和穩(wěn)定性。Ju等[16]提出了1種多層結(jié)構(gòu)的交互感知卡爾曼神經(jīng)網(wǎng)絡(luò)(Interactive apperceive Kalman Neural Network，IaKNN)，其中交互層將環(huán)境觀測(cè)數(shù)據(jù)分解為交互感知的加速度，運(yùn)動(dòng)層將加速度轉(zhuǎn)換為軌跡，卡爾曼濾波網(wǎng)絡(luò)預(yù)測(cè)未來(lái)軌跡，該方法融合了動(dòng)態(tài)信息和交互感知數(shù)據(jù)，有效地提高了預(yù)測(cè)性能，網(wǎng)絡(luò)結(jié)構(gòu)如圖4。

圖4 IaKNN網(wǎng)絡(luò)結(jié)構(gòu)[16]

由于神經(jīng)網(wǎng)絡(luò)具有可以學(xué)習(xí)特征的優(yōu)勢(shì)，很多學(xué)者使用神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)車輛的軌跡，例如Mostafa等[17]提出1種基于CNN的軌跡預(yù)測(cè)方法，將車道和車輛檢測(cè)圖像作為輸入，CNN網(wǎng)絡(luò)輸出車輛的預(yù)測(cè)軌跡，該方法的輸入是圖像或視頻，而未考慮的環(huán)境不確定性會(huì)對(duì)預(yù)測(cè)結(jié)果造成影響。Ding等[18]提出了1種基于RNN的車輛行為交互網(wǎng)絡(luò)(Vehicle Behavior Interaction Network,VBIN)預(yù)測(cè)車輛軌跡，該方法采用RNN對(duì)車輛觀測(cè)狀態(tài)進(jìn)行編碼，編碼結(jié)果作為VBIN的輸入進(jìn)行車輛軌跡預(yù)測(cè)，該方法在規(guī)劃中考慮長(zhǎng)期的未來(lái)回報(bào)，延長(zhǎng)了預(yù)測(cè)范圍。

為了解決長(zhǎng)序列訓(xùn)練過(guò)程中的梯度消失和梯度爆炸問(wèn)題，使用LSTM來(lái)預(yù)測(cè)車輛軌跡的方案?jìng)涫荜P(guān)注，例如溫惠英等[19]提出1種基于生成對(duì)抗網(wǎng)絡(luò)的車輛軌跡預(yù)測(cè)模型，該模型采用了LSTM的編碼器－解碼器結(jié)構(gòu)，將車輛歷史軌跡輸入給編碼器，由解碼器預(yù)測(cè)車輛的未來(lái)軌跡，該方法選擇不同的預(yù)測(cè)時(shí)長(zhǎng)，在考慮計(jì)算速度和精確度方面選擇了最合適的預(yù)測(cè)時(shí)長(zhǎng)，還需要提高預(yù)測(cè)精度。Deo等[20]提出了1種基于交互感知的LSTM模型，它將車輛的歷史軌跡和車道結(jié)構(gòu)作為輸入，LSTM模型輸出車輛的預(yù)測(cè)軌跡，網(wǎng)絡(luò)結(jié)構(gòu)如圖5。Deo等[21]后續(xù)提出1種改進(jìn)的LSTM模型，該模型使用卷積社會(huì)池作為社會(huì)池的改進(jìn)，將車輛的歷史軌跡作為輸入，輸出是預(yù)測(cè)軌跡的概率分布，該方法純粹依靠車輛的軌跡來(lái)推斷機(jī)動(dòng)類別和未來(lái)的軌跡，許多互補(bǔ)的信息可以通過(guò)視覺捕捉，網(wǎng)絡(luò)結(jié)構(gòu)如圖6。Dai等[22]提出了1種基于LSTM的時(shí)空軌跡預(yù)測(cè)模型（Space Time Long Short-Term Memory Model,STL?STM），在LSTM模型中嵌入空間相互作用，并在2個(gè)連續(xù)LSTM層的輸入和輸出之間增加快捷連接來(lái)處理梯度消失，該方法通過(guò)在2個(gè)連續(xù)LSTM層之間引入快捷連接，解決了LSTM梯度消失的問(wèn)題。

圖5 交互感知的LSTM模型結(jié)構(gòu)[20]

圖6 改進(jìn)的LSTM模型結(jié)構(gòu)[21]

單一神經(jīng)網(wǎng)絡(luò)可能具有一定的缺陷，因此有些研究者使用混合的神經(jīng)網(wǎng)絡(luò)方法來(lái)預(yù)測(cè)車輛的軌跡。Jeon等[23]提出了1種完全可擴(kuò)展的軌跡預(yù)測(cè)網(wǎng)絡(luò)SCALE-Net，SCALE-Net由基于EGCN-LSTM的交互嵌入層和基于LSTM-MLP的未來(lái)軌跡生成層組成，該研究的重點(diǎn)是預(yù)測(cè)模型的擴(kuò)展性，但是該方法不能考慮道路結(jié)構(gòu)，對(duì)軌跡預(yù)測(cè)精度會(huì)有一定影響。Mo等[24]提出了1種基于CNN-LSTM網(wǎng)絡(luò)的車輛軌跡預(yù)測(cè)方法，使用LSTM編碼器對(duì)車輛動(dòng)力學(xué)進(jìn)行編碼，通過(guò)CNN提取車輛之間的交互，然后使用LSTM解碼器預(yù)測(cè)車輛軌跡，該方法的局限性在于它設(shè)定周圍有8輛車并且有3 s的歷史軌跡，未來(lái)工作需要打破這一限制才能運(yùn)用于實(shí)際問(wèn)題。Xie等[25]提出了1種基于順序模型的軌跡預(yù)測(cè)方法，該方法融合了CNN和LSTM 2個(gè)神經(jīng)網(wǎng)絡(luò)，基于歷史軌跡數(shù)據(jù)，對(duì)未來(lái)30 s內(nèi)的軌跡進(jìn)行預(yù)測(cè)，該方法預(yù)測(cè)時(shí)間太長(zhǎng)，會(huì)大大增加算法的計(jì)算時(shí)間，從而降低軌跡預(yù)測(cè)的準(zhǔn)確度。

依賴圖和其他新的方法來(lái)預(yù)測(cè)車輛的軌跡也成為新的研究方向，例如Zhao等[26]提出了1種新的基于圖的信息共享網(wǎng)絡(luò)(Graph Information Sharing Network,GIS?Net)，該網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)和相鄰車輛之間的軌跡特征，使用LSTM對(duì)歷史軌跡進(jìn)行編碼，然后輸出車輛的預(yù)測(cè)軌跡，該方法與其他幾種方法(如：Very Long Short-Term Memory，V-LSTM)作比較，在降低預(yù)測(cè)誤差上取得了更好的結(jié)果，網(wǎng)絡(luò)結(jié)構(gòu)如圖7。Li等[27]提出1種基于圖的軌跡預(yù)測(cè)方法，該方法使用圖來(lái)表示對(duì)象之間的相互作用，用多個(gè)卷積塊來(lái)提取特征，然后使用編碼器-解碼器LSTM模型預(yù)測(cè)車輛的軌跡，試驗(yàn)結(jié)果表明該方法相比（Cuckoo Search Long Short-Term Memory，CSLSTM）運(yùn)行速度提升了5倍，運(yùn)行速度的提升很可能會(huì)影響預(yù)測(cè)的精確度，需要在2者之間取平橫。Zhao等[28]提出1種多智能體張量融合(Multi Agent Tensor Fu?sion，MATF)網(wǎng)絡(luò)模型，該模型將過(guò)去軌跡和場(chǎng)景編碼為1個(gè)MATF，再對(duì)未來(lái)軌跡進(jìn)行周期性解碼，利用對(duì)抗性損失來(lái)學(xué)習(xí)隨機(jī)預(yù)測(cè)，該方法結(jié)合了上下文約束、道路結(jié)構(gòu)以及車輛交互信息，所以確保了該方法的預(yù)測(cè)精確度，輸入的信息量又導(dǎo)致了預(yù)測(cè)時(shí)間的增加。Zeng等[14]提出了1種神經(jīng)運(yùn)動(dòng)規(guī)劃器(Neural Motion Planner，NMP)，輸入原始激光雷達(dá)數(shù)據(jù)和高清地圖，輸出一系列其他車輛的預(yù)測(cè)軌跡，選擇代價(jià)最小的1條軌跡，該方法需要提高原始激光雷達(dá)數(shù)據(jù)的精確度，來(lái)確保軌跡預(yù)測(cè)的準(zhǔn)確性。謝輝等[29]提出了基于交通場(chǎng)景特征辨識(shí)的軌跡預(yù)測(cè)方法，輸入雷達(dá)采集的車輛運(yùn)動(dòng)軌跡，采用基于車輛運(yùn)動(dòng)模型和Markov決策過(guò)程，預(yù)測(cè)車輛的運(yùn)動(dòng)軌跡，該方法在基于實(shí)車試驗(yàn)的情況下，能夠在確保預(yù)測(cè)誤差的范圍內(nèi)，預(yù)測(cè)8 s內(nèi)的車輛軌跡。基于換道場(chǎng)景的軌跡預(yù)測(cè)算法如表2，根據(jù)算法的類別將算法分為4個(gè)部分，分別為卡爾曼濾波、單一神經(jīng)網(wǎng)絡(luò)、混合神經(jīng)網(wǎng)絡(luò)和其他方法。

表2 基于換道場(chǎng)景的軌跡預(yù)測(cè)算法

圖7 GISNet網(wǎng)絡(luò)結(jié)構(gòu)[27]

2.3 基于其它場(chǎng)景

T型路口與十字路口相似，目前也有一些用于T型路口處的車輛軌跡預(yù)測(cè)方法，例如Ding等[30]提出了1種適用于復(fù)雜環(huán)境的在線2級(jí)軌跡預(yù)測(cè)框架，該框架第1級(jí)使用LSTM網(wǎng)絡(luò)，并根據(jù)歷史觀察數(shù)據(jù)來(lái)預(yù)測(cè)車輛的未來(lái)軌跡，輸出層被修改為softmax層；第2級(jí)是設(shè)置合理的代價(jià)函數(shù)來(lái)選擇最優(yōu)的預(yù)測(cè)軌跡，該方法的大部分時(shí)間消耗在了成本圖上，解決在成本圖上消耗時(shí)間長(zhǎng)的問(wèn)題可以有效提升預(yù)測(cè)效率，軌跡預(yù)測(cè)框架如圖8。Zeng等[14]提出了1種神經(jīng)運(yùn)動(dòng)規(guī)劃器(NMP)，輸入原始激光雷達(dá)數(shù)據(jù)和高清地圖，輸出一系列其他車輛的預(yù)測(cè)軌跡，選擇代價(jià)最小的一條軌跡。Brechtel等[31]提出了1種基于求解連續(xù)POMDP的方法，輸入預(yù)測(cè)車輛的位置和速度，由POMDP輸出預(yù)測(cè)的車輛軌跡，該方法解決了在遮擋情況下的信息融合問(wèn)題，并有效地提高了預(yù)測(cè)模型的魯棒性。車輛匯流時(shí)也容易發(fā)生交通事故，所以匯流場(chǎng)景的車輛軌跡預(yù)測(cè)也是很有必要的，因此，Deo等[20]提出了1種基于交互感知的LSTM模型用于匯流場(chǎng)景處的車輛軌跡預(yù)測(cè)，它將車輛的軌跡歷史和車道結(jié)構(gòu)作為輸入，LSTM模型輸出車輛的預(yù)測(cè)軌跡?；谄渌鼒?chǎng)景的軌跡預(yù)測(cè)算法如表3，用于其他場(chǎng)景的軌跡預(yù)測(cè)算法比較少，主要是屬于神經(jīng)網(wǎng)絡(luò)和其他方法2類。

表3 基于其它場(chǎng)景的軌跡預(yù)測(cè)算法

圖8 在線2級(jí)軌跡預(yù)測(cè)結(jié)構(gòu)[31]

3 總結(jié)

為了在由人類駕駛員構(gòu)成的復(fù)雜交通中安全高效地行駛，自動(dòng)駕駛汽車需要具備主動(dòng)能力，如決定何時(shí)變道、超車、減速或合流，這就要求自動(dòng)駕駛汽車能夠?qū)χ車囕v的未來(lái)運(yùn)動(dòng)進(jìn)行推斷。本文基于車輛軌跡預(yù)測(cè)的交通場(chǎng)景不同，對(duì)現(xiàn)階段的車輛軌跡預(yù)測(cè)算法進(jìn)行了分類，對(duì)本文的總結(jié)及其展望如下：

（1）車輛軌跡預(yù)測(cè)可以分為2種方式：一種方式是預(yù)測(cè)車輛的駕駛意圖以及固定的軌跡實(shí)現(xiàn)軌跡預(yù)測(cè)的目的，另一種方式是直接預(yù)測(cè)車輛的實(shí)際連續(xù)軌跡。

（2）目前大部分車輛軌跡預(yù)測(cè)算法是輸入車輛的歷史軌跡以及道路結(jié)構(gòu)，使用神經(jīng)網(wǎng)絡(luò)等方法來(lái)預(yù)測(cè)車輛的軌跡；還有一部分人使用其他方法來(lái)預(yù)測(cè)車輛的軌跡，這些方法主要是利用鳥瞰圖和激光雷達(dá)等傳感器數(shù)據(jù)來(lái)預(yù)測(cè)車輛軌跡。

（3）預(yù)測(cè)車輛軌跡需要車輛的位置、速度信息，智能車獲取信息是通過(guò)各種傳感器，所以傳感器的發(fā)展需要從降低成本以及提升傳感器的感知精確度2方面考慮。傳感器的精度需要從魯棒性、檢測(cè)精度方面考慮，目前激光雷達(dá)的檢測(cè)精度可以達(dá)到厘米級(jí)別，但是對(duì)于自動(dòng)駕駛L5級(jí)，需要激光雷達(dá)的檢測(cè)精度達(dá)到毫米級(jí)別。

（4）未來(lái)真正實(shí)現(xiàn)L5級(jí)自動(dòng)駕駛時(shí)，交通事故責(zé)任的承擔(dān)問(wèn)題是阻礙自動(dòng)駕駛汽車上路的最大瓶頸，所以政府需要出臺(tái)相關(guān)的法律政策和交通規(guī)則來(lái)支持自動(dòng)駕駛的實(shí)現(xiàn)。

（5）研究基于馬爾可夫決策過(guò)程的車輛軌跡預(yù)測(cè)方法，只需根據(jù)車輛的當(dāng)前狀態(tài)（位置、速度、加速度）和環(huán)境信息來(lái)預(yù)測(cè)車輛的軌跡，可以有效降低車輛軌跡預(yù)測(cè)算法的復(fù)雜度，是未來(lái)發(fā)展趨勢(shì)。