一个基于驾驶风格和适应性网格的双层LSTM模型,用于预测意图轨迹

科学领域:

• 自主系统 自主系统
• 人工智能的人工智能
• 机器人技术 机器人技术 机器人技术

背景情况:

• 确保自动驾驶汽车 (AV) 的安全对于其发展至关重要.
• 精确的轨迹预测对于提高复杂环境中的AV安全性和性能至关重要.
• 传统的预测方法往往无法解释预测的车辆行为和相互作用.

研究的目的:

• 引入一种新的双层长短期记忆 (LSTM) 模型,用于准确预测自动驾驶汽车轨迹.
• 通过结合驾驶风格和自适应电网生成,克服现有方法的局限性.
• 改进在复杂的驾驶场景中预测车辆的意图和轨迹.

主要方法:

• 开发了一种新的双层LSTM模型,将卷积层和最大聚合层集成为特征提取.
• 来自感知模块的多传感器数据被融合在一起,以提取车辆轨迹.
• 包括驾驶风格类别值和改进的自适应电网生成方法.
• 历史轨迹数据和车辆/车道信息被利用来进行动态电网调整.

主要成果:

• 拟议的模型显示了显著增强的车辆运动特征和交互的表现.
• 在NGSIM US-101和I-80数据集上的实验显示,与现有基准相比,性能优越.
• 该模型在5秒的预测时间范围内实现了更高的意图准确度和更低的根平均平方误差 (RMSE).

结论:

• 开发的双层LSTM模型通过捕捉时间和空间特征有效预测自动驾驶车辆的轨迹.
• 结合驾驶风格和自适应网格,提高了预测准确性,并考虑了车辆的相互作用.
• 该模型的稳定性和有效性经过严格的实验验证,为AV安全技术提供了有前途的进步.