深度学习方法用于统一识别驾驶员的速度和横向意图,使用自然驾驶数据
Kun Cheng1, Dongye Sun1, Datong Qin1
1College of Mechanical and Vehicle Engineering, Chongqing University, 400044, China.
概括
本研究引入了一种统一的深度学习模型来识别驾驶员的意图,准确识别速度和横向意图. 该模型整合了驾驶环境因素和意图合,以改进先进的驾驶辅助系统.
科学领域:
- 汽车工程 汽车工程
- 人工智能的人工智能
- 运输安全运输安全
背景情况:
- 识别驾驶员的意图对于高级驾驶辅助系统 (ADAS) 至关重要.
- 现有的方法忽略了环境对速度意图的影响,以及横向意图的时间依赖.
- 速度和横向意图通常被孤立地分析,错过了它们的合性质.
研究的目的:
- 开发一种统一的深度学习方法,用于识别速度和横向驾驶员的意图.
- 将驾驶环境的影响以及速度和横向意图的合整合到一个单一的识别模型中.
- 在复杂的驾驶场景中提高驾驶员意图识别的准确性和稳定性.
主要方法:
- 收集了广泛的自然驾驶数据,提取了道路斜率和轨迹信息.
- 应用Toeplitz反向协差基聚类和轨迹聚类用于意图标签.
- 开发了一个深度学习模型,具有分层的速度意图识别和双层LSTM用于横向意图识别.
主要成果:
- 统一模型成功地整合了环境因素和意图合.
- 深度学习方法证明了对速度和横向意图的准确和稳定的识别.
- 验证证实了该模型在复杂的驾驶环境中的有效性.
结论:
- 拟议的统一深度学习模型显著提升了驾驶员意图识别.
- 整合环境背景和意图合可以提高ADAS的安全性和智能性.
- 这种方法为未来的自动驾驶系统提供了更强大,更全面的解决方案.
