亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        人機(jī)混駕環(huán)境下基于深度學(xué)習(xí)的車(chē)輛切入*

        2022-03-01 07:17:20郭景華何智飛羅禹貢李克強(qiáng)
        汽車(chē)工程 2022年2期
        關(guān)鍵詞:改進(jìn)型軌跡車(chē)輛

        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。

        猜你喜歡
        改進(jìn)型軌跡車(chē)輛
        Cr5改進(jìn)型支承輥探傷無(wú)底波原因分析
        軌跡
        軌跡
        改進(jìn)型CKF算法及其在GNSS/INS中的應(yīng)用
        軌跡
        車(chē)輛
        進(jìn)化的軌跡(一)——進(jìn)化,無(wú)盡的適應(yīng)
        冬天路滑 遠(yuǎn)離車(chē)輛
        車(chē)輛出沒(méi),請(qǐng)注意
        提高車(chē)輛響應(yīng)的轉(zhuǎn)向輔助控制系統(tǒng)
        免费观看a级片| 久久精品视频中文字幕无码| 一本久道在线视频播放| 亚洲av区,一区二区三区色婷婷| 国产国产裸模裸模私拍视频| 99久久免费看少妇高潮a片特黄| 狼色在线精品影视免费播放| 丝袜美腿亚洲综合第一页| 国产精品青草视频免费播放| 国产女精品| 国产免费久久精品国产传媒| 国产AV无码专区亚洲AWWW| 中文字幕在线乱码日本| 人妻精品久久久久中文字幕| 免费无码又爽又刺激网站| 男人阁久久| 国产在线一区二区三区香蕉| 色欲欲www成人网站| 欧美日韩精品一区二区在线观看| 亚洲九九九| 中文字幕亚洲五月综合婷久狠狠| 精品人妻av区乱码| 伊人久久综合精品无码av专区| 久久人妻av无码中文专区| 91九色熟女潮喷露脸合集| 国模雨珍浓密毛大尺度150p| 久久aⅴ无码av免费一区| 亚洲成人av一区二区麻豆蜜桃| 亚洲美女自拍偷拍视频| 亚洲精品国产美女久久久| 91伊人久久| 全程国语对白资源在线观看| 亚洲人成人无码www| 欧美人与动人物牲交免费观看| 日韩精人妻无码一区二区三区| 亚洲av第一区国产精品| 中文字幕av一区二区三区人妻少妇| 国产啪精品视频网站丝袜| 亚洲区一区二区三区四| 欧美精品色婷婷五月综合| 亚洲色欲色欲www在线播放|