基于时间序列重量隐藏马尔科夫模型的周围车辆的驾驶意图识别自动驾驶马尔科夫模型
Pujun Liu1, Ting Qu1, Huihua Gao1
1National Key Laboratory of Automotive Chassis Integration and Bionics, Changchun 130022, China.
Sensors (Basel, Switzerland)
|November 14, 2023
概括
一个新的时间序列重量隐藏马尔科夫模型 (TSWHMM) 通过更好地预测车辆的意图来改善自动驾驶. 它优先考虑最近的数据,增强局势意识,并能够更早地识别车道变化等机动.
科学领域:
- 自主驾驶系统 自主驾驶系统
- 人工智能的人工智能
- 机器学习用于运输.
背景情况:
- 情况意识对于自动驾驶至关重要,需要预测周围车辆的意图.
- 隐藏的马尔科夫模型 (HMM) 用于意图识别,但无法解释时间序列数据的不一致性,特别是最近的观测的重要性.
研究的目的:
- 引入一个新的时间序列重量隐藏马尔科夫模型 (TSWHMM),以实现更准确和及时的车辆意图识别.
- 通过更有效地纳入最近的观测数据和包括周围的交通风险因素来增强意图识别.
主要方法:
- 开发了TSWHMM,整合了折扣因子,在概率计算中优先考虑最近的观察结果.
- 嵌入的车道危险因素,反映碰撞风险,以及车辆状态 (侧向速度,方向角度) 作为模型输入.
- 在HighD数据集上验证模型,将其性能与HMM和循环神经网络 (RNN) 进行比较.
主要成果:
- TSWHMM在车道变更识别方面取得了高准确性 (94.9%左侧,93.4%右侧),表现优于HMM和RNN.
- 该模型显示,与现有方法相比,更改车道的意图可以更早地被识别.
- 在复杂的绕道场景中,TSWHMM达到87.3%的准确率,并提前2.09秒预测出口意图.
结论:
- TSWHMM在自动驾驶系统的车辆意图识别方面取得了重大进展.
- 该模型能够权衡最近的数据并纳入环境风险,从而提高准确性和更早的预测.
- TSWHMM显示出提高自动驾驶车辆导航的安全性和效率的前景,特别是在复杂的交通环境中.
