日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測(cè)試網(wǎng)

  • 公眾號(hào)

    • 汽車測(cè)試網(wǎng)

    • 在線課堂

    • 電車測(cè)試

基于交叉幾何和實(shí)測(cè)速度的轉(zhuǎn)向車輛軌跡預(yù)測(cè)

2018-11-01 19:57:27·  來(lái)源：IEEE IV 2018論文集，智車科技（IV_Techno  
　
摘要-眾所周知，城市道路交叉口是交通事故的常發(fā)地，了解交叉路口的動(dòng)態(tài)交通情況對(duì)于研究如何防止交通事故非常有必要。當(dāng)自動(dòng)駕駛車輛穿過(guò)交叉路口時(shí)，預(yù)測(cè)即將
摘要-眾所周知，城市道路交叉口是交通事故的常發(fā)地，了解交叉路口的動(dòng)態(tài)交通情況對(duì)于研究如何防止交通事故非常有必要。當(dāng)自動(dòng)駕駛車輛穿過(guò)交叉路口時(shí)，預(yù)測(cè)即將到來(lái)的其他車輛的軌跡是ADAS的要求。在本文中，我們提出了一種城市交叉路口轉(zhuǎn)彎車輛軌跡預(yù)測(cè)方法。轉(zhuǎn)彎?rùn)C(jī)動(dòng)車輛的軌跡預(yù)測(cè)比直行機(jī)動(dòng)車輛更困難，因?yàn)檗D(zhuǎn)彎車輛在接近交叉路口時(shí)減速并且在離開(kāi)交叉路口時(shí)加速。此外，速度的變化取決于諸如交叉角、拐角半徑之類的因素。我們的方法生成了一種新的軌道預(yù)測(cè)所需的速度模型，該模型考慮了交叉口幾何形狀和其他車輛的觀測(cè)速度。具體而言，我們假設(shè)人行橫道附近的速度變得極小，并通過(guò)擬合過(guò)去的順序速度和估計(jì)的最小速度到三次函數(shù)來(lái)計(jì)算速度模型。我們的方法的優(yōu)點(diǎn)是能夠預(yù)測(cè)在任何交點(diǎn)和任何位置的軌跡。該方法在實(shí)際交通場(chǎng)景中的預(yù)測(cè)性能優(yōu)于其他方法。
 
作者： Atsushi Kawasaki and Tsuyoshi Tasaki               
  
Ⅰ介紹
近年來(lái)，大量的主動(dòng)安全駕駛系統(tǒng)和自動(dòng)駕駛汽車被開(kāi)發(fā)出來(lái)。這些駕駛系統(tǒng)需要保證駕駛員在動(dòng)態(tài)變化的交通環(huán)境中的安全，并需要了解未來(lái)環(huán)境會(huì)發(fā)生什么變化。城市道路交叉口被認(rèn)為是交通事故的常發(fā)地，了解城市十字路口的動(dòng)態(tài)交通狀況有助于預(yù)防乘客受傷。此外，在自動(dòng)駕駛車輛的路徑規(guī)劃算法中，需要對(duì)交叉口交通參與者的長(zhǎng)期軌跡進(jìn)行預(yù)測(cè)。當(dāng)自動(dòng)駕駛車輛穿過(guò)十字路口時(shí)，需要對(duì)迎面而來(lái)的車輛進(jìn)行預(yù)測(cè)。在諸如日本和英國(guó)這樣的左手駕駛國(guó)家，對(duì)迎面而來(lái)的車輛進(jìn)行軌跡預(yù)測(cè)的目標(biāo)操作是直行和左轉(zhuǎn)。然而，預(yù)測(cè)轉(zhuǎn)彎車輛的軌跡是困難的，因?yàn)檐囕v經(jīng)歷了大的速度變化。轉(zhuǎn)彎車輛在接近十字路口時(shí)減速，在離開(kāi)十字路口時(shí)加速。此外，速度的變化取決于接近速度和交叉幾何形狀，包括交叉角度、道路寬度和拐角半徑等因素。
沃爾夫曼、艾爾等人[ 1 ]分析并模擬了所有十字路口的車輛轉(zhuǎn)彎行為，以進(jìn)行駕駛模擬。他們構(gòu)建了一個(gè)速度模型，用兩個(gè)表示減速和加速的三次函數(shù)來(lái)表示。這些函數(shù)的系數(shù)被建模為正態(tài)分布，并通過(guò)最大似然法進(jìn)行估計(jì)。然而，他們的模型僅用于模擬，并且難以應(yīng)用于實(shí)際交通情況下的預(yù)測(cè)，因?yàn)樗俣饶Ｐ椭荒軓墓潭ㄎ恢茫ㄟM(jìn)入十字路口的入口位置）生成。在軌跡預(yù)測(cè)中，必須能夠在任何一個(gè)位置生成和更新模型。我們提出的方法是能夠在任何交叉路口和任何位置轉(zhuǎn)彎進(jìn)行軌跡預(yù)測(cè)，并構(gòu)建了一個(gè)新的期望速度模型，用于基于交會(huì)幾何和觀測(cè)速度的軌跡預(yù)測(cè)。假設(shè)速度在人行橫道附近變得最小，我們通過(guò)擬合過(guò)去的連續(xù)速度和估計(jì)的最小速度來(lái)計(jì)算速度模型。我們?cè)诘貓D上定義速度變得最小的位置，并將這個(gè)位置稱為“速度控制點(diǎn)”。此外，為了預(yù)測(cè)未來(lái)許多時(shí)間步長(zhǎng)的軌跡，我們將我們期望的速度模型與擴(kuò)展卡爾曼濾波器( EKF )相結(jié)合。實(shí)驗(yàn)是在真實(shí)環(huán)境中進(jìn)行的。與傳統(tǒng)方法相比，該預(yù)測(cè)方法可以提高狀態(tài)預(yù)測(cè)性能。

Ⅱ相關(guān)工作
近年來(lái)，機(jī)器人[2]領(lǐng)域?qū)煌ㄜ壽E預(yù)測(cè)問(wèn)題進(jìn)行了積極的研究。在[3]、[5]中，針對(duì)變道情況提出了基于車輛運(yùn)動(dòng)模型的預(yù)測(cè)方法，在[3]，[4]中，軌跡分量被建模為五次多項(xiàng)式，卡爾曼濾波器已被廣泛用于預(yù)測(cè)軌跡，同時(shí)考慮了車輛運(yùn)動(dòng)的不確定性[5]，[6]。Kim et. al.[5]定義了變道和彎道所需的期望偏航率，并在EKF中加入了期望偏航率。此外，還提出了基于高斯混合模型[7]和蒙特卡羅模擬[8]的概率軌跡預(yù)測(cè)方法。
 
機(jī)器學(xué)習(xí)技術(shù)也被用于預(yù)測(cè)軌跡。通過(guò)高斯過(guò)程[9]學(xué)習(xí)車輛軌跡的模型參數(shù)。介紹了考慮車輛相互作用的更復(fù)雜的模型，包括耦合隱馬爾可夫模型[11]和動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)[10]。近年來(lái)，已經(jīng)提出了使用深度神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。在[12]中，動(dòng)態(tài)占用網(wǎng)格圖用作深度卷積網(wǎng)絡(luò)的輸入。在幾種DNN架構(gòu)中，遞歸神經(jīng)網(wǎng)絡(luò)被廣泛用于學(xué)習(xí)順序結(jié)構(gòu)。Kim 等人[13] 將一系列車輛坐標(biāo)輸入到長(zhǎng)期記憶中，并在占用網(wǎng)格地圖上生成關(guān)于未來(lái)位置的概率信息。然而，這些機(jī)器學(xué)習(xí)方法依賴于訓(xùn)練數(shù)據(jù)，其缺點(diǎn)是無(wú)法預(yù)測(cè)未知環(huán)境下會(huì)發(fā)生什么。
對(duì)交叉口進(jìn)行了專門的預(yù)測(cè)方法的重新開(kāi)發(fā)。如第Ⅰ節(jié)所述，Wolfer-Mann [1]對(duì)車輛在任何路口轉(zhuǎn)彎的行為進(jìn)行了建模，但它們的模型是模擬的，不能從任何位置生成。特朗等人[9]利用高斯過(guò)程回歸建立了轉(zhuǎn)彎?rùn)C(jī)動(dòng)的速度模型。然而，它們的模型集中在一個(gè)交叉口的情況下，不能應(yīng)用于任何一個(gè)交叉口。利布納[14]還提出了一個(gè)考慮曲率的速度模型，可應(yīng)用于任何交點(diǎn)。在上述工作的啟發(fā)下，我們的目標(biāo)是預(yù)測(cè)車輛在任何十字路口的轉(zhuǎn)彎軌跡以及在實(shí)際環(huán)境中的任何位置。我們的方法通過(guò)使用更多的交叉口信息(如相交角、曲率半徑、人行道的橫向距離和人行橫道的位置)來(lái)獲得更好的性能。

III.系統(tǒng)概述
測(cè)量數(shù)據(jù)是從城市十字路口的真實(shí)交通場(chǎng)景中獲取的。我們使用了一輛裝有視覺(jué)傳感器和360度激光雷達(dá)Velodyne HDL - 32e的實(shí)驗(yàn)車。激光雷達(dá)獲取的原始數(shù)據(jù)以三維點(diǎn)云的形式存在。本文涉及的交叉口是四個(gè)道路交叉口，類型有人行橫道，不涉及緊急交叉口或環(huán)形交叉口。
預(yù)測(cè)算法的輸入主要有兩種：1 )其他車輛狀態(tài)，如位置、方位、速度、橫擺角速度和加速度；2 )交叉口幾何形狀，例如二維軌跡圖、相交角度、曲率半徑和距人行道的橫向距離。該狀態(tài)是從車輛檢測(cè)和跟蹤系統(tǒng)獲得的。檢測(cè)和跟蹤系統(tǒng)基于粒子濾波，其輸入是3D點(diǎn)云數(shù)據(jù)。粒子濾波的可能性是通過(guò)基于[15]的點(diǎn)云擬合矩形來(lái)計(jì)算的。圖1 ( b )示出了檢測(cè)和跟蹤系統(tǒng)的結(jié)果。二維軌跡圖對(duì)應(yīng)于每條迎面而來(lái)的車道和機(jī)動(dòng)，由間隔1m的點(diǎn)序列組成。我們將點(diǎn)序列中的點(diǎn)稱為“航路點(diǎn)”。地圖由B樣條曲線創(chuàng)建，B樣條曲線的控制點(diǎn)是從交通參與者的地面真實(shí)位置中選擇的。圖6第二列中的黑點(diǎn)顯示了軌跡圖。此外，由于我們關(guān)注轉(zhuǎn)彎車輛的軌跡預(yù)測(cè)，交通參與者的機(jī)動(dòng)被認(rèn)為是已知的。
圖1( a )顯示預(yù)測(cè)對(duì)象車輛的交通場(chǎng)景；( b )車輛檢測(cè)和跟蹤系統(tǒng)的結(jié)果；白色矩形顯示自我車輛，青色矩形顯示粒子過(guò)濾器的檢測(cè)結(jié)果，黃色矩形顯示地面真實(shí)情況。
預(yù)測(cè)算法生成交叉口轉(zhuǎn)彎車輛所需的速度。此外，基于[ 5 ]產(chǎn)生期望的橫擺角速度。通過(guò)將這些期望的模型和當(dāng)前的其他車輛狀態(tài)與EKF相結(jié)合來(lái)預(yù)測(cè)其他交通參與者的未來(lái)位置。預(yù)測(cè)狀態(tài)每0.1s計(jì)算一次，到最大預(yù)測(cè)范圍為4.0s，觀察的時(shí)間步長(zhǎng)也為0.1s，預(yù)測(cè)在每個(gè)時(shí)間步長(zhǎng)進(jìn)行。

IV. 轉(zhuǎn)彎車輛軌跡預(yù)測(cè)
A.生成期望速度模型
為了預(yù)測(cè)轉(zhuǎn)彎車輛的軌跡，我們生成了未來(lái)的期望速度。我們期望的速度模型由兩個(gè)三次函數(shù)組成，它是用相交幾何來(lái)生成的。為了解決無(wú)法從任何位置創(chuàng)建[ 1 ]的速度模型的問(wèn)題，我們?cè)诘貓D中建立了速度控制點(diǎn)。速度控制點(diǎn)被定義為速度變得最小的位置?？紤]到車輛和行人之間的相互作用，我們假設(shè)人行橫道周圍的速度變得最小。在本文中，速度控制點(diǎn)等于最靠近人行橫道的航路點(diǎn)。圖2顯示了速度控制點(diǎn)和期望速度之間的空間關(guān)系。期望的速度模型被分成兩部分，流入部分vin ( t )和流出部分vout ( t )，它們之間的邊界被定義為車輛達(dá)到最小速度的時(shí)刻：
首先，我們重點(diǎn)討論了vin(t)的計(jì)算方法。我們通過(guò)擬合觀測(cè)到的過(guò)去的序列速度和估計(jì)的最小速度到三次函數(shù)來(lái)計(jì)算vin(t)。由于由跟蹤系統(tǒng)觀測(cè)到的交通參與者的當(dāng)前速度是不穩(wěn)定的，所以我們?cè)?.0s周期內(nèi)利用序列速度。此外，最小速度可以在[1]的基礎(chǔ)上進(jìn)行統(tǒng)計(jì)計(jì)算，但我們將其速度定義為擬合前的初始估計(jì)值vmin。我們通過(guò)最小三次函數(shù)與包含觀測(cè)速度和vmin的速度之間的誤差，將數(shù)據(jù)擬合成三次方程。圖3示出了該裝置的示意圖。
初始最小速度v¯min綜合了交叉口幾何形狀和駕駛員特征的影響，例如接近速度vint、交叉口角度θint、路緣半徑rint和車輛在人行道出口處的橫向距離lint。接近速度vint定義為[1]停車線上的速度。在本文中，vint是通過(guò)計(jì)算到達(dá)停止線時(shí)的速度來(lái)表示的，假設(shè)加速度恒定。假設(shè)vmin遵循正態(tài)分布，vmin根據(jù)經(jīng)驗(yàn)估計(jì)為影響因素的線性函數(shù)，如下所示：
其中a1；…;a5是通過(guò)真實(shí)交通數(shù)據(jù)的最大似然估計(jì)來(lái)計(jì)算的，我們使用[ 1 ]中描述的參數(shù)。
此外，擬合需要在速度變得最小時(shí)對(duì)vin ( t )和tmin的初始估計(jì)。為了計(jì)算這些值，從速度控制點(diǎn)的約束條件中獲得以下方程：
其中L是從當(dāng)前車輛位置到速度控制點(diǎn)的路徑長(zhǎng)度。我們將vin(t)和tmin的初始估計(jì)定義為vin(t)和tmin (在下文中，過(guò)線顯示了初步估計(jì))。如果通信的狀態(tài)參與者被準(zhǔn)確觀察到，C4;in和C3;in等于v0，a0即為當(dāng)前時(shí)間的速度和加速度。然而，為了考慮觀察誤差，在估計(jì)步驟中C4;in和C3;in被定義為在在[vmin-3.0,vmin +3.0]和[-0.3G,0]范圍內(nèi)，其變化幅度分別為0.5； G表示重力加速度。C4;in的變化范圍是根據(jù)觀測(cè)速度誤差的標(biāo)準(zhǔn)差來(lái)確定的，而C3;in的變化范圍是基于舒適減速一般小于0.3G的證據(jù)確定的。對(duì)于tmin、C1;in和C2;in，方程( 1 )、( 4 )和( 5 )求解如下所示：
圖2所示，速度控制點(diǎn)與期望速度的時(shí)空關(guān)系。
圖3所示，期望速度的入流部分vin(t)的計(jì)算方法是將觀測(cè)到的過(guò)去速度和初始最小速度vmin之間的差的平方殘差之和與模型提供的擬合值進(jìn)行最小化。
對(duì)于vin(t)和tmin，則為vin(t)和tmin(以下所示為初始估計(jì))。如果準(zhǔn)確觀察交通參與者的狀態(tài)，則c4;in和c3;in等于v0和a0，即當(dāng)前時(shí)刻的速度和加速度。然而，為了考慮估算步驟中的觀測(cè)誤差，c4;in和c3;in被定義為在[vmin-3.0，vmin+3.0]和[+0.3G,0]范圍內(nèi)，變化幅度分別為0.5，G表示重力加速度。c4;in的變化范圍是根據(jù)觀察到的速度誤差的標(biāo)準(zhǔn)差來(lái)確定的，c3;in的變化范圍是根據(jù)舒適減速一般小于0.3G的證據(jù)來(lái)確定的。式(1)、(4)、(5)求解tmin、c1;in、c2;in過(guò)程如下：
當(dāng)式(9)為c3;in和c4;in的最小變化量時(shí)，vin(t)設(shè)為vin(t)的初始估計(jì)值。
其中vobs由觀測(cè)到的過(guò)去速度表示。
接下來(lái)，使用初始值vin(t)對(duì)三次函數(shù)vin(t)進(jìn)行優(yōu)化。根據(jù)速度控制點(diǎn)方程(4)、(5)的約束條件，將vin(t)中的c3;in、c4;in 移除 ：
其中目標(biāo)參數(shù)定義為C =。殘差的平方之和由下式得出：
其中w1和w2是權(quán)重。由于觀測(cè)到的速度數(shù)較大，權(quán)重設(shè)為：w1 = 0.1；w2 = 1.0。 
用迭代非線性高斯牛頓法對(duì)三次函數(shù)進(jìn)行擬合:
其中et(C)是殘差和J是雅可比矩陣上標(biāo)顯示優(yōu)化的迭代次數(shù)。在本文中，最大迭代為10。這將生成所需速度模型的流入部分。      
接下來(lái)，我們解釋了速度模型的流出部分。我們計(jì)算了vout(t)，它通過(guò)vmin和法定速度vmax，在vmin和vmax處導(dǎo)數(shù)為零。未知變量C1;out和c2;out是通過(guò)[1]得到的。
接下來(lái)，我們解釋速度模型的流出部分。我們計(jì)算通過(guò)vmin的vout (t)和法定速度vmax在vmin和vmax。通過(guò)使用[1]獲得未知變量c1;out和c2; out。假設(shè)這些變量服從伽馬分布。這些分布的參數(shù)也被估計(jì)為影響因素的線性函數(shù)，如交叉口的幾何形狀和法定的速度限制。
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25