郭景華，何智飛，羅禹貢，李克強(qiáng)

（1. 廈門(mén)大學(xué)航空航天學(xué)院，廈門(mén) 361005；2. 清華大學(xué)車(chē)輛與運(yùn)載學(xué)院，北京 100084）

前言

當(dāng)今，國(guó)內(nèi)外掀起了一股自動(dòng)駕駛汽車(chē)的發(fā)展浪潮，無(wú)論是傳統(tǒng)車(chē)企還是互聯(lián)網(wǎng)公司，都把目光聚焦于自動(dòng)駕駛領(lǐng)域。美國(guó)勒克斯研究公司的一項(xiàng)報(bào)告顯示，預(yù)計(jì)到2030年全球范圍內(nèi)將售出1.2 億輛自動(dòng)駕駛汽車(chē)，這表明在未來(lái)很長(zhǎng)一段時(shí)間內(nèi)，自動(dòng)駕駛車(chē)輛將長(zhǎng)期在人工駕駛車(chē)輛與自動(dòng)駕駛車(chē)輛混合的交通環(huán)境下運(yùn)行。人機(jī)混駕環(huán)境下，由于人工駕駛車(chē)輛駕駛?cè)说鸟{駛風(fēng)格的差異與人類(lèi)意圖的不確定性，無(wú)人駕駛車(chē)輛難以準(zhǔn)確地預(yù)測(cè)人工駕駛車(chē)輛的行為，從而造成交通系統(tǒng)安全隱患的存在。據(jù)一項(xiàng)調(diào)查顯示，90%以上的車(chē)禍?zhǔn)怯扇藶殄e(cuò)誤造成的，而變道一直被認(rèn)為是造成交通事故的主要因素之一。如果能夠準(zhǔn)確預(yù)測(cè)周?chē)?chē)輛的切入軌跡便可以提前規(guī)劃安全的行駛路徑，從而有效減少交通事故的發(fā)生。

近年來(lái)主流的軌跡預(yù)測(cè)方法是基于數(shù)據(jù)驅(qū)動(dòng)的軌跡預(yù)測(cè)。Schreier 等提出了一種基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的長(zhǎng)期軌跡預(yù)測(cè)方法。Laugier 等使用隱馬爾可夫模型和高斯過(guò)程進(jìn)行短期預(yù)測(cè)。Wiest等提出了一種基于高斯混合模型的概率軌跡預(yù)測(cè)方法。這些預(yù)測(cè)模型屬于經(jīng)典機(jī)器學(xué)習(xí)范疇，它們有著一些難以克服的缺點(diǎn)，模型非常雜，容易受到外部環(huán)境的影響，較長(zhǎng)時(shí)域的軌跡預(yù)測(cè)精度較低，預(yù)測(cè)效果有待提升。

隨著人工智能的快速發(fā)展，基于深度學(xué)習(xí)的軌跡預(yù)測(cè)方法被廣泛使用并取得較好的效果。長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)作為循環(huán)神經(jīng)網(wǎng)絡(luò)的一類(lèi)，對(duì)于時(shí)間序列問(wèn)題的處理非常有效，因此被廣泛用于軌跡預(yù)測(cè)。Xing等提出了一種基于LSTM 的個(gè)性化聯(lián)合時(shí)間序列建模方法來(lái)預(yù)測(cè)聯(lián)網(wǎng)車(chē)輛的軌跡。Messaoud等基于LSTM 的編碼器解碼器框架提出了一種采用多注意力頭機(jī)制來(lái)強(qiáng)調(diào)相鄰車(chē)輛的作用以提高軌跡的預(yù)測(cè)精度。Xie 等提出了一種結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和LSTM 網(wǎng)絡(luò)的模型進(jìn)行軌跡預(yù)測(cè)。然而，目前關(guān)于鄰車(chē)切入場(chǎng)景下的研究較少，且多數(shù)集中在意圖預(yù)測(cè)。且現(xiàn)有研究大多數(shù)使用國(guó)外的公開(kāi)數(shù)據(jù)集，針對(duì)我國(guó)自然駕駛數(shù)據(jù)集相關(guān)的研究并不多，不同地域的交通狀況可能造成預(yù)測(cè)結(jié)果的差異。

綜上所述，本文中以車(chē)輛切入軌跡為研究對(duì)象，提出了基于深度學(xué)習(xí)的改進(jìn)型Bi-LSTM軌跡預(yù)測(cè)模型。采用符合我國(guó)道路狀況的自然駕駛數(shù)據(jù)集來(lái)進(jìn)行訓(xùn)練和測(cè)試，該數(shù)據(jù)集包含了國(guó)內(nèi)多個(gè)省市的人工駕駛車(chē)輛行駛數(shù)據(jù)，有助于人機(jī)混駕環(huán)境下對(duì)車(chē)輛軌跡的研究。首先，對(duì)采集的大規(guī)模數(shù)據(jù)集進(jìn)行預(yù)處理，使用Savitzky-Golay 濾波器平滑數(shù)據(jù)集噪聲，并根據(jù)準(zhǔn)則提取車(chē)輛切入片段，建立車(chē)輛切入數(shù)據(jù)集。其次，考慮車(chē)輛的相互作用以提高模型的預(yù)測(cè)效果，提出改進(jìn)型Bi-LSTM軌跡預(yù)測(cè)模型。最后，分別在自然駕駛數(shù)據(jù)集和NGSIM 數(shù)據(jù)集上進(jìn)行試驗(yàn)，與其它模型進(jìn)行對(duì)比，驗(yàn)證了所提出預(yù)測(cè)模型的有效性。

1 車(chē)輛切入數(shù)據(jù)集的建立

1.1 自然駕駛數(shù)據(jù)

本文中采用的數(shù)據(jù)集為“中國(guó)汽研自然駕駛數(shù)據(jù)研究（CAERI-NDS）”項(xiàng)目采集的自然駕駛數(shù)據(jù)。該項(xiàng)目在國(guó)內(nèi)多個(gè)省市進(jìn)行了大規(guī)模的駕駛數(shù)據(jù)采集，自2017年年底到現(xiàn)在已累計(jì)采集10 萬(wàn)km 級(jí)的自然駕駛數(shù)據(jù)。試驗(yàn)車(chē)配置的數(shù)據(jù)采集設(shè)備有攝像機(jī)、毫米波雷達(dá)和GPS 等傳感器，可以獲取到自車(chē)行駛數(shù)據(jù)、周?chē)繕?biāo)車(chē)輛信息等，采樣頻率為25 Hz。自車(chē)行駛數(shù)據(jù)由車(chē)輛的CAN總線獲取，包括自車(chē)的速度、加速度、轉(zhuǎn)向盤(pán)轉(zhuǎn)角等；周?chē)繕?biāo)車(chē)輛的信息由攝像頭、雷達(dá)等采集，包括目標(biāo)車(chē)輛的速度、加速度和與自車(chē)的間距等。

1.2 數(shù)據(jù)預(yù)處理

為了降低后續(xù)的運(yùn)算成本，首先對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行降采樣，采樣頻率降低一倍。駕駛數(shù)據(jù)在采集的過(guò)程中難免會(huì)受到一些特殊因素的影響，如光環(huán)境條件的影響和設(shè)備條件的影響等。這些因素可能會(huì)導(dǎo)致采集數(shù)據(jù)的不完整或不準(zhǔn)確，從而對(duì)試驗(yàn)造成不可預(yù)測(cè)的后果。所以在利用數(shù)據(jù)之前，必須對(duì)數(shù)據(jù)集中存在的缺失值和噪聲等問(wèn)題進(jìn)行加工處理。

由于車(chē)輛軌跡具有時(shí)間特性，所以結(jié)合最近鄰填補(bǔ)法和插值法對(duì)缺失值進(jìn)行填補(bǔ)。針對(duì)駕駛數(shù)據(jù)集中存在的噪聲，對(duì)其進(jìn)行濾波處理。Savitzky-Golay 濾波器是一種在時(shí)域內(nèi)基于多項(xiàng)式最小二乘法擬合的方法，在濾波的同時(shí)可確保信號(hào)的形狀和寬度不變，被廣泛應(yīng)用于數(shù)據(jù)的平滑去噪。本文中采用Savitzky-Golay 濾波器對(duì)自然駕駛數(shù)據(jù)的噪聲進(jìn)行濾波處理，其表達(dá)式為

式中：()為處理后的數(shù)據(jù)，= -，…，0，…，；為總的誤差平方和；()為未經(jīng)處理的數(shù)據(jù)；≤2；= 0，1，2，…，。

圖1 所示為數(shù)據(jù)集中車(chē)輛的速度和加速度濾波前后的效果。可以看出過(guò)濾之后的數(shù)據(jù)變得更加的平滑。

圖1 濾波效果

1.3 車(chē)輛切入場(chǎng)景片段提取

車(chē)輛的切入時(shí)機(jī)和切入速度等受目標(biāo)車(chē)道上車(chē)輛（主車(chē)）的影響。車(chē)輛切入場(chǎng)景主要包含主車(chē)道上的一個(gè)主車(chē)和相鄰車(chē)道上想要切入主車(chē)道的一個(gè)目標(biāo)車(chē)輛。圖2 所示為人機(jī)混駕環(huán)境下車(chē)輛切入場(chǎng)景示意圖，黃色AV 表示主車(chē)道上的無(wú)人駕駛車(chē)輛，藍(lán)色HV 表示可能切入主車(chē)道的人工駕駛車(chē)輛；此時(shí)，藍(lán)色HV 未來(lái)軌跡的不確定性可能使黃色AV 生成錯(cuò)誤的決策，造成車(chē)輛碰撞。

圖2 人機(jī)混駕環(huán)境下車(chē)輛切入場(chǎng)景

基于上述定義的切入場(chǎng)景，從自然駕駛數(shù)據(jù)集中提取符合條件的切入場(chǎng)景片段相關(guān)數(shù)據(jù)。首先定義坐標(biāo)系以確定切入目標(biāo)車(chē)輛和主車(chē)的位置，以主車(chē)輛所在車(chē)道的中心線為基準(zhǔn)作縱軸，以垂直于縱軸的方向作橫軸，過(guò)歷史觀測(cè)序列中第一個(gè)時(shí)間步主車(chē)所在軌跡點(diǎn)作垂線垂直車(chē)道中心線，以垂點(diǎn)為坐標(biāo)系的原點(diǎn)，以沿車(chē)輛前進(jìn)的方向?yàn)榭v軸正方向。以面向車(chē)輛前進(jìn)方向的左側(cè)為橫軸的正方向。通過(guò)采集數(shù)據(jù)可先確定主車(chē)的坐標(biāo)，之后再根據(jù)主車(chē)與目標(biāo)車(chē)輛的相對(duì)距離確定目標(biāo)切入車(chē)輛的坐標(biāo)位置。建立的坐標(biāo)系如圖3所示。

圖3 軌跡片段坐標(biāo)系

Deo 等提出車(chē)輛變道包括準(zhǔn)備階段和穩(wěn)定階段，若車(chē)輛在時(shí)刻處于換道點(diǎn)，定義時(shí)間區(qū)間±4 s上的軌跡為變道狀態(tài)；受此啟發(fā)，并設(shè)定若提取軌跡片段最后一個(gè)時(shí)間節(jié)點(diǎn)落入時(shí)間區(qū)間±3.2 s 內(nèi)，則該軌跡片段記為切入場(chǎng)景片段。選取每7.2 s 的切入軌跡片段作為一個(gè)訓(xùn)練樣本，其中將前4 s的數(shù)據(jù)作為歷史軌跡數(shù)據(jù)，后3.2 s的數(shù)據(jù)作為未來(lái)軌跡數(shù)據(jù)，樣本的一個(gè)時(shí)間步長(zhǎng)為0.08 s。根據(jù)所建立的坐標(biāo)系提取切入場(chǎng)景片段，提取準(zhǔn)則如下。

（1）計(jì)算每個(gè)時(shí)間步的車(chē)輛位移，舍去一個(gè)時(shí)間步內(nèi)位移大于3 m 的車(chē)輛軌跡；由于研究的是切入場(chǎng)景，并重點(diǎn)關(guān)注車(chē)輛的橫向位移，故舍去一個(gè)時(shí)間步內(nèi)橫向位移大于0.2 m的車(chē)輛軌跡。

（2）根據(jù)歷史軌跡信息預(yù)測(cè)未來(lái)軌跡需要足夠長(zhǎng)度的軌跡片段信息，在此舍去持續(xù)時(shí)間不足10 s的軌跡片段。

（3）求出切入車(chē)輛軌跡和車(chē)道線的交點(diǎn)，將其定為切入點(diǎn)，然后沿時(shí)間軸方向采樣40 個(gè)時(shí)間步，沿時(shí)間軸反方向采樣129 個(gè)時(shí)間步（至少要滿足50 個(gè)時(shí)間步，以符合切入場(chǎng)景片段的定義），將這個(gè)時(shí)段的車(chē)輛軌跡定為一個(gè)切入場(chǎng)景片段。

1.4 車(chē)輛切入數(shù)據(jù)集

由上述的切入場(chǎng)景片段提取準(zhǔn)則，共提取了543 個(gè)場(chǎng)景片段。采用滑動(dòng)時(shí)窗的方法提取指定長(zhǎng)度的序列，以最大限度地利用所提供的數(shù)據(jù)。設(shè)定滑動(dòng)時(shí)間窗口為0.4 s，從每個(gè)片段第一個(gè)時(shí)間點(diǎn)開(kāi)始，每次更新時(shí)向后滑動(dòng)5 個(gè)采樣點(diǎn)。設(shè)截取序列的長(zhǎng)度為，即每次滑動(dòng)提取的序列都有-5個(gè)采樣點(diǎn)的信息，提取示意圖如圖4 所示。采用上述方法對(duì)所有軌跡進(jìn)行軌跡片段的提取，取90，即每個(gè)序列包含90個(gè)軌跡點(diǎn)。從切入場(chǎng)景片段中篩選出7092 個(gè)樣本序列，同時(shí)從自然駕駛數(shù)據(jù)集中篩選了4321 個(gè)車(chē)道保持的樣本序列。從切入場(chǎng)景類(lèi)型數(shù)據(jù)集中隨機(jī)選取4321 個(gè)序列，使兩者數(shù)量比為1∶1。將這共8642 個(gè)序列作為整個(gè)數(shù)據(jù)集，并用z-score方法對(duì)其進(jìn)行歸一化：

圖4 序列提取

式中：為歸一化之前的原始數(shù)據(jù)；ˉ為原始數(shù)據(jù)的均值；為原始數(shù)據(jù)的標(biāo)準(zhǔn)差；x為歸一化之后的數(shù)據(jù)。

在試驗(yàn)中，共選擇了11 個(gè)特征作為輸入，同時(shí)選擇在預(yù)測(cè)目標(biāo)車(chē)輛軌跡點(diǎn)的縱向和橫向坐標(biāo)共2 個(gè)特征作為輸出。將上述經(jīng)歸一化處理后的樣本序列作為整個(gè)數(shù)據(jù)集，為了方便觀察訓(xùn)練過(guò)程，按8∶1∶1 的比例將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

2 切入軌跡預(yù)測(cè)模型

2.1 輸入特征

車(chē)輛切入軌跡預(yù)測(cè)模型的輸入特征的選取對(duì)于預(yù)測(cè)的準(zhǔn)確性來(lái)說(shuō)是至關(guān)重要的。對(duì)于目標(biāo)車(chē)輛的短期未來(lái)軌跡預(yù)測(cè)而言，它的歷史軌跡特別是靠近當(dāng)前時(shí)間點(diǎn)的部分具有更有效的信息特征。另一方面，車(chē)輛之間存在相互作用，周?chē)?chē)輛的行為也會(huì)對(duì)目標(biāo)車(chē)輛的未來(lái)運(yùn)動(dòng)軌跡造成影響。因此，選取的輸入特征包含以下兩個(gè)部分。

（1）目標(biāo)車(chē)輛的信息：目標(biāo)車(chē)輛的縱向坐標(biāo)、橫向坐標(biāo)、速度和加速度，車(chē)輛相對(duì)于自車(chē)的方向角和方向角速度。

（2）相互作用的信息：目標(biāo)車(chē)輛與自車(chē)的相對(duì)縱向距離、相對(duì)橫向距離、相對(duì)縱向速度、相對(duì)橫向速度、相對(duì)縱向加速度。

因此，輸入特征的信息可表示為

其中

式中：t為觀測(cè)歷史序列的時(shí)間長(zhǎng)度，為4 s；T為目標(biāo)車(chē)輛的信息；I為目標(biāo)車(chē)輛與自車(chē)相互作用的信息；x、y分別為目標(biāo)車(chē)輛的縱向坐標(biāo)和橫向坐標(biāo)；v為目標(biāo)車(chē)輛的速度；a為目標(biāo)車(chē)輛的加速度；θ和˙分別為目標(biāo)車(chē)輛相對(duì)于自車(chē)的方向角和方向角速度；Δx和Δy分別為目標(biāo)車(chē)輛與自車(chē)的相對(duì)縱向距離和橫向距離；Δv和Δv分別為目標(biāo)車(chē)輛與自車(chē)的相對(duì)縱向速度和相對(duì)橫向速度；Δa為目標(biāo)車(chē)輛與自車(chē)的相對(duì)縱向加速度。

2.2 LSTM 模型結(jié)構(gòu)

循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）是重要神經(jīng)網(wǎng)絡(luò)模型之一，它常被用來(lái)處理有關(guān)時(shí)序的數(shù)據(jù)。長(zhǎng)短期記憶網(wǎng)絡(luò)（long short term memory，LSTM）是RNN 的一個(gè)改進(jìn)模型，它早在1997年就被提出來(lái)了，主要是用來(lái)彌補(bǔ)RNN 無(wú)法處理長(zhǎng)期依賴問(wèn)題的缺陷。因此LSTM 較RNN 在實(shí)際應(yīng)用場(chǎng)合中有著更多的應(yīng)用。LSTM 引入門(mén)控機(jī)制來(lái)約束信息的流動(dòng)以此來(lái)保留有用的關(guān)聯(lián)信息。細(xì)胞狀態(tài)是LSTM 的關(guān)鍵，它代表著某個(gè)時(shí)刻存儲(chǔ)的信息，表示細(xì)胞狀態(tài)的這條線水平穿過(guò)單元的頂部。一個(gè)LSTM 單元主要由輸入門(mén)、遺忘門(mén)和輸出門(mén)這3個(gè)門(mén)控單元組成：輸入門(mén)決定要添加哪些信息；遺忘門(mén)決定丟棄和保留哪些歷史信息；輸出門(mén)決定要輸出信息的哪些部分。LSTM 的單元結(jié)構(gòu)如圖5所示。

圖5 LSTM單元結(jié)構(gòu)

LSTM具體的數(shù)學(xué)表達(dá)式為

2.3 改進(jìn)型Bi-LSTM 模型

單向LSTM 根據(jù)前面多個(gè)時(shí)刻的輸入來(lái)預(yù)測(cè)下一刻的輸出，但很多情況下預(yù)測(cè)需要由前面的若干個(gè)時(shí)刻輸入和后面若干個(gè)時(shí)刻輸入共同來(lái)決定。雙向長(zhǎng)短期記憶（bi-directional long short term memory，Bi-LSTM）在LSTM 模型的基礎(chǔ)上添加一個(gè)LSTM 反向?qū)?，把前向和反向的隱藏層向量拼接（concat）起來(lái)，它最后的輸出是前向?qū)雍头聪驅(qū)釉诿總€(gè)時(shí)刻的綜合輸出。因此它可以充分利用上下文的信息，來(lái)提高時(shí)間序列預(yù)測(cè)結(jié)果的準(zhǔn)確性。其網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 LSTM單元結(jié)構(gòu)圖

Bi-LSTM模型輸出的數(shù)學(xué)表達(dá)式可表達(dá)為

式中：y為時(shí)刻的輸出；h 為前向?qū)覮STM 在時(shí)刻的輸出；h為反向?qū)覮STM在時(shí)刻的輸出。雖然LSTM 能克服RNN 存在的梯度消失的問(wèn)題，但是在深層網(wǎng)絡(luò)中梯度消失仍然存在。在神經(jīng)網(wǎng)絡(luò)能收斂的前提下，隨著網(wǎng)絡(luò)深度的增加，會(huì)出現(xiàn)一種退化問(wèn)題，也就是當(dāng)網(wǎng)絡(luò)變得越來(lái)越深時(shí)，訓(xùn)練的準(zhǔn)確率會(huì)趨于平緩，但訓(xùn)練誤差會(huì)變大。為了解決這種退化的現(xiàn)象，殘差網(wǎng)絡(luò)（residual network，ResNet）被提出。受ResNet 的啟發(fā)，引入快捷連接，將輸入層的信息通過(guò)1 層全連接層傳輸?shù)胶罄m(xù)層，以此來(lái)減少梯度消失和網(wǎng)絡(luò)退化的問(wèn)題。

最終的改進(jìn)型LSTM 車(chē)輛切入軌跡預(yù)測(cè)模型主要由4 個(gè)部分組成：輸入層、Bi-LSTM 層、全連接層和輸出層。歷史軌跡輸入信息由輸入層輸入，通過(guò)Bi-LSTM 層進(jìn)行預(yù)測(cè)獲得預(yù)測(cè)結(jié)果，再把預(yù)測(cè)結(jié)果結(jié)合從輸入層通過(guò)1 層全連接層直接傳輸?shù)男畔⒔Y(jié)合起來(lái)，經(jīng)過(guò)RELU 激活函數(shù)變換，最后通過(guò)1 層全連接層進(jìn)行線性映射，由輸出層獲得輸出結(jié)果，將輸出結(jié)果反歸一化后獲得預(yù)測(cè)位置坐標(biāo)。

Bi-LSTM 層數(shù)為3，Dropout 率設(shè)為0.3，每層隱藏單元數(shù)為256。訓(xùn)練采用Adam 優(yōu)化器，學(xué)習(xí)率設(shè)為0.001。模型如圖7 所示，RELU 是常用的激活函數(shù)。

圖7 改進(jìn)型Bi-LSTM網(wǎng)絡(luò)

模型輸出的表達(dá)式可表達(dá)為

式中：為當(dāng)前時(shí)刻；t為預(yù)測(cè)未來(lái)序列的時(shí)間長(zhǎng)度；x、y分別為時(shí)刻目標(biāo)車(chē)輛的縱向坐標(biāo)和橫向坐標(biāo)。

3 驗(yàn)證與分析

3.1 試驗(yàn)設(shè)置

本文采用平均位移誤差（average displacement error，ADE）和 最 終 位 移 誤 差（final displacement error，F(xiàn)DE）來(lái)評(píng)價(jià)軌跡預(yù)測(cè)模型。ADE 表示預(yù)測(cè)窗口中所有預(yù)測(cè)位置與實(shí)際位置的平均歐式距離（mean euclidean distance，MED），F(xiàn)DE 表示預(yù)測(cè)軌跡末端的最終預(yù)測(cè)位置與對(duì)應(yīng)的真實(shí)位置之間的平均歐式距離。ADE 和FDE 的值越小，預(yù)測(cè)效果越好。公式為

為了驗(yàn)證本文提出的預(yù)測(cè)模型的效果，使用4種網(wǎng)絡(luò)與其進(jìn)行對(duì)比，比較各個(gè)模型的性能。

（1）LSTM：采用長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行軌跡預(yù)測(cè)。

（2）門(mén)控循環(huán)單元（gated recurrent unit，GRU）：RNN 的變種，是為了解決長(zhǎng)期記憶和反向傳播中的梯度等問(wèn)題而提出來(lái)的，從結(jié)構(gòu)上來(lái)說(shuō)，GRU 只有兩個(gè)門(mén)（update gate 和reset gate），它的表現(xiàn)類(lèi)似于LSTM。GRU的參數(shù)更少，計(jì)算成本更低。

（3）Bi-LSTM：雙向LSTM網(wǎng)絡(luò)。

（4）Bi-GRU：雙向GRU網(wǎng)絡(luò)。

（5）改進(jìn)型Bi-LSTM：即本文所提出的方法。

通過(guò)對(duì)比上述幾種模型，來(lái)驗(yàn)證所提出模型的有效性。設(shè)置相同的超參數(shù)以便進(jìn)行對(duì)比，如表1所示。

表1 超參數(shù)

3.2 模型訓(xùn)練及對(duì)比

采用1.4 節(jié)獲得數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。利用訓(xùn)練集訓(xùn)練模型，利用驗(yàn)證集觀察訓(xùn)練過(guò)程，最后在測(cè)試集上對(duì)模型進(jìn)行評(píng)估。

損失函數(shù)采用均方誤差（mean squared error，MSE）函數(shù)。使用ReduceLROnPlateau 方法來(lái)調(diào)整學(xué)習(xí)率。當(dāng)模型訓(xùn)練過(guò)程中的驗(yàn)證損失值連續(xù)20 個(gè)epoch 都沒(méi)有降低時(shí)，就將學(xué)習(xí)率調(diào)整為原先的10%，直至學(xué)習(xí)率低于10時(shí)模型停止訓(xùn)練。用50個(gè)時(shí)間步長(zhǎng)的歷史數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)40 個(gè)時(shí)間步長(zhǎng)的位置。圖8 顯示了各模型在訓(xùn)練過(guò)程中的損失變化趨勢(shì)。由300 個(gè)epoch 訓(xùn)練可得：改進(jìn)型Bi-LSTM收斂速度最快且訓(xùn)練損失值最低。在最初的100 個(gè)epoch 中，各模型的訓(xùn)練損失值迅速下降，之后進(jìn)入緩慢收斂階段。

圖8 各模型在訓(xùn)練過(guò)程中的損失變化

驗(yàn)證結(jié)果如表2 所示。對(duì)比評(píng)價(jià)指標(biāo)可知，GRU 和Bi-GRU 模型的表現(xiàn)最差，LSTM 和Bi-LSTM模型次之，這表明了LSTM 模型的預(yù)測(cè)效果比GRU模型更好；雙向模型的評(píng)價(jià)指標(biāo)總體小于單向模型，這表明了雙向模型具有更好的預(yù)測(cè)效果；改進(jìn)型Bi-LSTM的ADE值和FDE值最小，其中ADE值低于1 m，預(yù)測(cè)效果最佳。

表2 各模型的評(píng)價(jià)指標(biāo)

為進(jìn)一步驗(yàn)證本文模型對(duì)最終車(chē)輛位置的預(yù)測(cè)能力，繪制了不同時(shí)域范圍內(nèi)車(chē)輛FDE 的對(duì)比圖，如圖9所示。

圖9 各模型不同預(yù)測(cè)時(shí)域FDE值對(duì)比

由圖可見(jiàn)：各模型的FDE 值隨預(yù)測(cè)時(shí)域延長(zhǎng)而增大，這表明預(yù)測(cè)時(shí)域越長(zhǎng)，車(chē)輛的最終位置偏差越大；改進(jìn)型Bi-LSTM 的FDE 值在全時(shí)域范圍內(nèi)都小于其他模型，且在3.2 s處的FDE值不到2 m，比其他模型在0.8 s 處的FDE 值還要低，這表明改進(jìn)型Bi-LSTM對(duì)車(chē)輛位置的預(yù)測(cè)能力最好。

為了更直觀地了解切入軌跡預(yù)測(cè)效果，本文中分別對(duì)比了各模型在向左切入和向右切入兩個(gè)場(chǎng)景下的預(yù)測(cè)軌跡，如圖10所示。

從圖10 可以看出，對(duì)于切入軌跡的預(yù)測(cè)結(jié)果而言，預(yù)測(cè)軌跡的質(zhì)量因模型而異。在兩種切入情況下，改進(jìn)型Bi-LSTM與真實(shí)軌跡最為貼合，這表明本文提出的改進(jìn)型Bi-LSTM能得到比其他模型更加精準(zhǔn)的軌跡。

圖10 切入軌跡預(yù)測(cè)

3.3 NGSIM 數(shù)據(jù)集驗(yàn)證

為了測(cè)試所提出模型的魯棒性能，本文中還采用美國(guó)聯(lián)邦公路管理局NGSIM 項(xiàng)目的車(chē)輛軌跡數(shù)據(jù)，選取其中的US-101 數(shù)據(jù)集進(jìn)行對(duì)比試驗(yàn)。US101 是加利福尼亞州洛杉磯的好萊塢高速公路，檢測(cè)路段的數(shù)據(jù)通過(guò)高空攝像機(jī)采集獲取，采樣頻率為10 Hz，數(shù)據(jù)集提供了車(chē)輛的速度、加速度、位置坐標(biāo)、車(chē)道信息等。從數(shù)據(jù)集中提取換道軌跡片段和車(chē)道保持片段生成試驗(yàn)數(shù)據(jù)集，按8∶1∶1 的比例拆分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。模型訓(xùn)練之后采用測(cè)試集驗(yàn)證，驗(yàn)證結(jié)果見(jiàn)表3、圖11 和圖12。

由表3 可得，改進(jìn)型Bi-LSTM 的ADE 值和FDE值分別為1.366和2.318 m，表明改進(jìn)型Bi-LSTM 同樣具有最小的ADE值和FDE值。從圖11可以看出，在全時(shí)域范圍內(nèi)，NGSIM 數(shù)據(jù)集的FDE 值和自然駕駛數(shù)據(jù)集的FDE 值上升趨勢(shì)相同，改進(jìn)型Bi-LSTM的FDE值仍然小于其他模型。

圖11 各模型不同預(yù)測(cè)時(shí)域內(nèi)FDE的對(duì)比

表3 各模型的評(píng)價(jià)指標(biāo)

從圖12 可以看出，改進(jìn)型Bi-LSTM 的預(yù)測(cè)結(jié)果與真實(shí)軌跡的重合度最高，在所有模型中表現(xiàn)最好。

圖12 切入軌跡預(yù)測(cè)

綜上可知，本文所提出的改進(jìn)型Bi-LSTM 能較好地適應(yīng)數(shù)據(jù)集差異所帶來(lái)的影響，在NGSIM 數(shù)據(jù)集上同樣具有優(yōu)勢(shì)，具有較好的魯棒性。

4 結(jié)論

本文中設(shè)計(jì)了車(chē)輛切入場(chǎng)景提取準(zhǔn)則，從自然駕駛數(shù)據(jù)中提取出符合條件的車(chē)輛切入場(chǎng)景片段，采用滑動(dòng)時(shí)窗的方法從上述提取出的切入場(chǎng)景片段進(jìn)行篩選并生成數(shù)據(jù)集，利用此數(shù)據(jù)集對(duì)所提出的模型進(jìn)行訓(xùn)練和測(cè)試?？紤]了自車(chē)對(duì)前方切入車(chē)輛未來(lái)狀態(tài)的影響，結(jié)合Bi-LSTM 網(wǎng)絡(luò)善于學(xué)習(xí)利用上下文信息的優(yōu)點(diǎn)和in-out 快捷連接有效減少梯度消失和網(wǎng)絡(luò)退化的能力，提出了一種人機(jī)混駕環(huán)境下基于深度學(xué)習(xí)的改進(jìn)型Bi-LSTM模型來(lái)預(yù)測(cè)車(chē)輛的切入軌跡的方法。通過(guò)試驗(yàn)結(jié)果的對(duì)比分析，可證明所提出的方法大幅改善了對(duì)切入車(chē)輛軌跡的預(yù)測(cè)效果，具有較高的應(yīng)用價(jià)值。