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

基于機(jī)動(dòng)LSTM的周圍車輛多模態(tài)軌跡預(yù)測(cè)

2018-12-02 17:15:44·  來(lái)源：智車科技  作者：Nachiket Deo  
　
摘要：為了安全有效地通過(guò)復(fù)雜的交通場(chǎng)景，自動(dòng)駕駛車輛需要有能力預(yù)測(cè)周圍車輛的未來(lái)運(yùn)動(dòng)。多個(gè)相互作用的智能體、駕駛員行為的多模性以及任務(wù)中固有的不確定性
摘要：為了安全有效地通過(guò)復(fù)雜的交通場(chǎng)景，自動(dòng)駕駛車輛需要有能力預(yù)測(cè)周圍車輛的未來(lái)運(yùn)動(dòng)。多個(gè)相互作用的智能體、駕駛員行為的多模性以及任務(wù)中固有的不確定性使得周圍車輛的運(yùn)動(dòng)預(yù)測(cè)成為一個(gè)具有挑戰(zhàn)性的問(wèn)題。

本文提出了一種基于LSTM模型的高速公路周邊車輛交互感知運(yùn)動(dòng)預(yù)測(cè)模型。我們的模型為車輛進(jìn)行機(jī)動(dòng)分配置信值，并在此基礎(chǔ)上輸出未來(lái)運(yùn)動(dòng)的多模態(tài)分布。我們比較了我們的方法與現(xiàn)有技術(shù)的車輛運(yùn)動(dòng)預(yù)測(cè)的公開有用的NGSIM US-101和I-80數(shù)據(jù)集。我們的結(jié)果表明，在預(yù)測(cè)誤差的均方根值方面有了改進(jìn)。我們還對(duì)所提出的模型的組成部分進(jìn)行了分析，并分析了該模型在復(fù)雜交通場(chǎng)景中所作的預(yù)測(cè)。

作者：Nachiket Deo and Mohan M. Trivedi
原文題目：Multi-Modal Trajectory Prediction of Surrounding Vehicles with Maneuver based LSTMs

Ⅰ介紹
在復(fù)雜交通中部署的自動(dòng)駕駛車輛需要平衡兩個(gè)因素：車內(nèi)乘客和周圍人的安全，以及在不阻礙交通的情況下高效運(yùn)行。車輛需要有自我決策的能力，例如，決定何時(shí)改變車道，通過(guò)沒(méi)有信號(hào)的交叉口，或超過(guò)另一輛車，這就要求自動(dòng)駕駛系統(tǒng)對(duì)周圍車輛的未來(lái)運(yùn)動(dòng)有一定的推理能力。這可以在現(xiàn)有的戰(zhàn)術(shù)路徑規(guī)劃算法[30]-[32]中看到，所有這些算法都依賴于對(duì)周圍車輛未來(lái)軌跡的可靠估計(jì)。
 
許多方法使用運(yùn)動(dòng)模型來(lái)預(yù)測(cè)車輛軌跡[26]-[29]。然而，對(duì)于更長(zhǎng)的預(yù)測(cè)范圍，運(yùn)動(dòng)模型可能是不可靠的，因?yàn)橛捎隈{駛員所作的決定，車輛的軌跡往往是高度非線性的。這可以通過(guò)數(shù)據(jù)驅(qū)動(dòng)的軌道預(yù)測(cè)方法[5]、[10]-[12]來(lái)解決。這些方法通過(guò)最小化訓(xùn)練數(shù)據(jù)集中預(yù)測(cè)軌跡與真實(shí)軌跡之間的誤差，將軌跡預(yù)測(cè)問(wèn)題轉(zhuǎn)化為一個(gè)回歸問(wèn)題?；诨貧w的方法的一個(gè)陷阱是駕駛員行為固有的多形態(tài)。在相同的交通環(huán)境下，人類司機(jī)可以做出許多決定之一。例如，一個(gè)司機(jī)以更快的速度接近他們的領(lǐng)頭車輛，或者減速，或者改變車道、加速超車。基于回歸的方法傾向于輸出這些多重可能性的平均值，因?yàn)槠骄A(yù)測(cè)可以最小化回歸誤差。然而，平均預(yù)測(cè)可能不是一個(gè)好的預(yù)測(cè)。例如，在上面描述的示例場(chǎng)景中，平均預(yù)測(cè)將保持在沒(méi)有減速的車道上。因此，我們需要彈道預(yù)測(cè)模型，以解決預(yù)測(cè)的多模態(tài)性質(zhì)。
圖1.在復(fù)雜交通中部署的自動(dòng)駕駛車輛(如圖中所示)，需要有能力預(yù)測(cè)周圍車輛的未來(lái)運(yùn)動(dòng)。我們提出的LSTM模型允許基于機(jī)動(dòng)類對(duì)周圍車輛軌跡進(jìn)行非線性和多模態(tài)預(yù)測(cè)。它還為每個(gè)模式分配了相應(yīng)概率，并在每個(gè)模式周圍輸出了預(yù)測(cè)的不確定性。
本文將機(jī)動(dòng)用于多模態(tài)軌跡預(yù)測(cè)，通過(guò)學(xué)習(xí)一個(gè)為不同機(jī)動(dòng)類分配概率的模型，并為每個(gè)機(jī)動(dòng)類輸出機(jī)動(dòng)的具體預(yù)測(cè)。隨著長(zhǎng)時(shí)記憶(LSTM)網(wǎng)絡(luò)在序列學(xué)習(xí)和生成任務(wù)中非線性時(shí)間依賴性建模的成功[5]、[23]、[24]，我們提出了一種適用于高速公路交通情況下車輛機(jī)動(dòng)和軌跡預(yù)測(cè)的LSTM模型。它使用車輛及其周圍車輛的軌跡歷史以及高速公路的車道結(jié)構(gòu)作為輸入。它給出了六個(gè)機(jī)動(dòng)類的置信度值，并在此基礎(chǔ)上預(yù)測(cè)了未來(lái)運(yùn)動(dòng)的多模態(tài)分布。我們使用NGSIM US-101[2]和I-80[3]在加利福尼亞多車道高速公路上收集的真實(shí)車輛軌跡數(shù)據(jù)集來(lái)訓(xùn)練和評(píng)估我們的模型。
Ⅱ.相關(guān)研究
機(jī)動(dòng)模型：在先進(jìn)的駕駛輔助系統(tǒng)和自然駕駛研究[7]-[9]，[19]，[20]中，車輛運(yùn)動(dòng)被廣泛地分為機(jī)動(dòng)類。在[1]，[6]中對(duì)基于機(jī)動(dòng)的模型進(jìn)行了全面的綜述。特別令人感興趣的是使用公認(rèn)的機(jī)動(dòng)來(lái)更好地預(yù)測(cè)未來(lái)的軌道[10]、[11]、[13]-[16]。這些方法通常包含一個(gè)機(jī)動(dòng)識(shí)別模塊，用于對(duì)機(jī)動(dòng)和機(jī)動(dòng)特定軌跡預(yù)測(cè)模塊進(jìn)行分類。機(jī)動(dòng)識(shí)別模塊是一種典型的分類器，它利用車輛過(guò)去的位置和運(yùn)動(dòng)狀態(tài)以及背景線索作為特征。采用啟發(fā)式分類器[13]、貝葉斯網(wǎng)絡(luò)[14]、隱馬爾可夫模型[10]、[11]、隨機(jī)森林分類器[16]和遞歸神經(jīng)網(wǎng)絡(luò)進(jìn)行機(jī)動(dòng)識(shí)別。
彈道預(yù)測(cè)模塊在給定機(jī)動(dòng)級(jí)的情況下輸出車輛的未來(lái)位置。將多項(xiàng)式擬合[13]、機(jī)動(dòng)運(yùn)動(dòng)模型[14]、高斯過(guò)程[11]、[15]、高斯混合模型[10]用于彈道預(yù)測(cè)。許多方法[10]、[16]-[18]也考慮到車輛之間的相互作用，以分配機(jī)動(dòng)類別和預(yù)測(cè)軌跡。在[10]，[18]中使用了基于車輛相對(duì)配置的手工設(shè)計(jì)成本函數(shù)來(lái)對(duì)周圍的所有車輛進(jìn)行最優(yōu)機(jī)動(dòng)分配。然而，這些方法可以受到成本函數(shù)設(shè)計(jì)得有多好的限制。其他工作[16]，[17]隱式學(xué)習(xí)車輛相互作用的軌道數(shù)據(jù)的實(shí)際交通。在這里，我們采用了第二種方法，因?yàn)橛写罅康膶?shí)際高速公路交通數(shù)據(jù)集[2]，[3]。
 
運(yùn)動(dòng)預(yù)測(cè)的遞歸網(wǎng)絡(luò)：由于運(yùn)動(dòng)預(yù)測(cè)可以看作是一種序列分類或序列生成任務(wù)，近年來(lái)提出了許多基于LSTM的機(jī)動(dòng)分類和軌跡預(yù)測(cè)方法。Khosroshahi等人[19]和Phillips等人[20]使用LSTM對(duì)交叉路口的車輛機(jī)動(dòng)進(jìn)行分類。Kim等人[21]提出了一種LSTM，用于預(yù)測(cè)車輛在未來(lái)使用網(wǎng)格中的間隔為0.5s、1s和2s的位置。與此方法相反，我們的模型輸出車輛未來(lái)位置的連續(xù)、多模態(tài)概率分布，預(yù)測(cè)范圍為5s。Alahi等人[5]提出了社交LSTM，它通過(guò)使用社會(huì)集合層來(lái)聯(lián)合建模和預(yù)測(cè)密集人群中行人的運(yùn)動(dòng)。然而，高速公路上的車輛運(yùn)動(dòng)比人群中的行人有更多的結(jié)構(gòu)，可以利用這些結(jié)構(gòu)來(lái)做出更好的預(yù)測(cè)。具體而言，車輛的相對(duì)位置可以用車道結(jié)構(gòu)和行駛方向簡(jiǎn)潔地描述，車輛的運(yùn)動(dòng)可以被合并為機(jī)動(dòng)類，其知識(shí)可以改善運(yùn)動(dòng)預(yù)測(cè)。Lee等人[22]使用基于RNN編解碼器的條件變分自動(dòng)編碼器(CVAE)進(jìn)行軌跡預(yù)測(cè)。采樣的CVAE允許多模態(tài)預(yù)測(cè)。相反，我們的模型輸出多模態(tài)分布本身。最后，Kuefler等人[4]使用基于門控遞歸單元(GRU)的策略，利用行為克隆和生成對(duì)抗性模仿學(xué)習(xí)范式，生成車輛運(yùn)動(dòng)模型的加速度和偏航率值。我們將我們的彈道預(yù)測(cè)結(jié)果與文獻(xiàn)[4]中的結(jié)果進(jìn)行了比較。
III.問(wèn)題的制定
我們用運(yùn)動(dòng)預(yù)測(cè)來(lái)估計(jì)車輛未來(lái)位置的概率分布，這種概率分布取決于車輛的軌跡歷史和周圍車輛在每一時(shí)刻的行駛軌跡。
圖2.頂部：用于軌跡預(yù)測(cè)的協(xié)調(diào)系統(tǒng)。被預(yù)測(cè)的車輛以黑色顯示，而考慮到的相鄰車輛則以藍(lán)色表示。底部：橫向和縱向機(jī)動(dòng)等級(jí)
A.參考框架
我們使用一個(gè)固定的參照系，將原點(diǎn)固定在時(shí)間t上，如圖2所示。y軸指向高速公路的運(yùn)動(dòng)方向，x軸是垂直于它的方向。這使得我們的模型獨(dú)立于車輛軌跡的獲取，特別是可以應(yīng)用于自動(dòng)車輛上的車載傳感器。這也使得模型不依賴于道路的曲率，只要有可用的車載車道估計(jì)算法，就可以在高速公路上的任何地方應(yīng)用。
  
B.投入和產(chǎn)出
我們模型的輸入是軌道歷史的張量
其中
如圖2所示，x和y在被預(yù)測(cè)車輛的時(shí)間t和圍繞著它的六輛車之間是協(xié)調(diào)的。我們選擇這六輛車，因?yàn)樗鼈儗?duì)車輛的運(yùn)動(dòng)影響最大。
模型的輸出是概率分布
其中
是預(yù)測(cè)車輛的未來(lái)坐標(biāo)。
圖3.提出的模型：軌跡編碼器LSTM在上下文向量中對(duì)被預(yù)測(cè)車輛及其相鄰車輛的航跡和相對(duì)位置進(jìn)行編碼。上下文向量附加了橫向和縱向機(jī)動(dòng)類的機(jī)動(dòng)編碼。解碼器lstm在每個(gè)時(shí)間步長(zhǎng)生成車輛位置的機(jī)動(dòng)特定未來(lái)分布，機(jī)動(dòng)分類分支分配機(jī)動(dòng)概率。
        
C.概率運(yùn)動(dòng)預(yù)測(cè)
我們的模型估計(jì)了條件分布P(Y | X)。為了使模型產(chǎn)生多模態(tài)分布，我們將其擴(kuò)展為機(jī)動(dòng)mi，并給出：
其中
是未來(lái)每個(gè)時(shí)間步長(zhǎng)的二元高斯分布的參數(shù)，對(duì)應(yīng)于未來(lái)位置的均值和方差。
D.機(jī)動(dòng)類別
我們考慮三個(gè)橫向和兩個(gè)縱向機(jī)動(dòng)類別，如圖2所示。橫向機(jī)動(dòng)包括左、右車道的改變和保持車道的機(jī)動(dòng)。由于車道變換涉及準(zhǔn)備和穩(wěn)定，我們將車輛定義為車道變換狀態(tài)，在實(shí)際交叉時(shí)間內(nèi)保持±4s，縱向機(jī)動(dòng)分為正常駕駛和制動(dòng)。當(dāng)車輛在預(yù)測(cè)時(shí)的平均速度小于其速度的0.8倍時(shí)，我們將其定義為執(zhí)行制動(dòng)機(jī)動(dòng)。我們用這種方式來(lái)定義我們的機(jī)動(dòng)，因?yàn)檫@些機(jī)動(dòng)類是由車輛通過(guò)轉(zhuǎn)彎信號(hào)和剎車燈相互傳遞的，這將成為今后工作中的一個(gè)線索。
IV.模型
A.LSTM編碼器-解碼器
我們提出的模型如圖3所示。我們使用編解碼框架[23]。軌跡編碼器LSTM以預(yù)測(cè)車輛及其六輛相鄰車輛的過(guò)去位置的幀為輸入。編碼器LSTM的隱藏狀態(tài)向量在每個(gè)時(shí)間步驟中根據(jù)隱藏狀態(tài)更新。我們提出的模型如圖3所示。我們使用編解碼框架[23]。軌跡編碼器LSTM以預(yù)測(cè)車輛及其六輛相鄰車輛的過(guò)去位置的幀為輸入。編碼器LSTM的隱藏狀態(tài)向量在每個(gè)時(shí)間步驟根據(jù)前一時(shí)間步驟的隱藏狀態(tài)和當(dāng)前時(shí)間步驟中車輛位置的輸入幀進(jìn)行更新。軌道編碼器LSTM的最終狀態(tài)可以用來(lái)編碼關(guān)于這7輛車的軌道歷史和相對(duì)位置的信息。然后，解碼器LSTM使用該上下文向量作為輸入。在每一時(shí)間步驟中，對(duì)于未來(lái)的 tf 幀，基于編碼的上下文向量和LSTM狀態(tài)在前一時(shí)刻更新解碼器LSTM狀態(tài)。解碼器在每一時(shí)間步輸出，一個(gè)5-D矢量Θ(t)對(duì)應(yīng)于二元高斯分布的參數(shù)，給出預(yù)測(cè)車輛的未來(lái)位置在當(dāng)時(shí)瞬間的分布，取決于軌跡歷史。

B.機(jī)動(dòng)相關(guān)預(yù)測(cè)
上一節(jié)描述的編解碼模型輸出單模態(tài)機(jī)動(dòng)無(wú)關(guān)的軌跡分布.為了使解碼器產(chǎn)生一個(gè)基于六個(gè)機(jī)動(dòng)類的多模態(tài)軌跡分布，我們?cè)诰幋a器上下文向量中附加了對(duì)應(yīng)于橫向機(jī)動(dòng)類的一個(gè)熱向量和對(duì)應(yīng)于縱向機(jī)動(dòng)類的一個(gè)熱向量。增加的機(jī)動(dòng)上下文允許解碼器LSTM生成方程（1）中給出的機(jī)動(dòng)比概率分布。為了得到每個(gè)機(jī)動(dòng)類給定軌跡歷史的條件概率，我們對(duì)圖3所示模型的機(jī)動(dòng)分類分支進(jìn)行了訓(xùn)練。  機(jī)動(dòng)分類LSTM與軌跡編碼器LSTM具有相同的輸入。它有兩個(gè)輸出的Softmax層來(lái)預(yù)測(cè)橫向和縱向機(jī)動(dòng)類的概率。在給定航跡歷史的情況下，假定橫向和縱向機(jī)動(dòng)類條件獨(dú)立，則通過(guò)取相應(yīng)的橫向和縱向機(jī)動(dòng)概率的乘積，得到。
C.實(shí)施細(xì)節(jié)
我們使用128個(gè)單元的LSTMS作為編碼器、解碼器和機(jī)動(dòng)分類分支。輸入向量X(T)在輸入到LSTM層之前，使用64個(gè)單元完全連接的層嵌入，該層具有α=0.1的泄漏關(guān)系激活。雖然彈道編解碼和機(jī)動(dòng)分類模型在測(cè)試過(guò)程中是同步使用的，但我們分別對(duì)模型進(jìn)行了訓(xùn)練。軌跡編解碼器被訓(xùn)練成最小的負(fù)對(duì)數(shù)似然損失的地面真相，未來(lái)位置的韋希克勒斯預(yù)測(cè)的軌跡分布。上下文向量為每個(gè)訓(xùn)練樣本附加機(jī)動(dòng)類的地面真值。對(duì)機(jī)動(dòng)分類模型進(jìn)行訓(xùn)練，使預(yù)測(cè)和地面真實(shí)、橫向和縱向機(jī)動(dòng)類別的交叉熵?fù)p失之和最小。這兩個(gè)模型都是使用ADAM[25]訓(xùn)練的，學(xué)習(xí)率為0.001。這些模型是用Keras[33]實(shí)現(xiàn)的。
V.實(shí)驗(yàn)評(píng)價(jià)
A.數(shù)據(jù)集
在45分鐘的時(shí)間內(nèi)以10赫茲捕捉到的真實(shí)高速公路交通軌跡。每個(gè)數(shù)據(jù)集包含15分鐘的輕度、中度和擁擠交通狀況片段。數(shù)據(jù)集提供了投射到本地協(xié)調(diào)系統(tǒng)的車輛的協(xié)調(diào)，如第IIIA節(jié)所定義的。我們將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集。測(cè)試集中使用了US-101和I-80數(shù)據(jù)集的三個(gè)子集中每個(gè)子集的第四條軌跡。我們將軌跡分割成8s的段，其中我們使用了3s的軌跡歷史和一個(gè)5秒的預(yù)測(cè)視界。在數(shù)據(jù)集采樣率為10 Hz的情況下，對(duì)這8s段進(jìn)行采樣。然而，為了降低模型的復(fù)雜度，我們?cè)趯⒚總€(gè)片段放入LSTM之前，將其降至2倍。
圖4.數(shù)據(jù)集：用于收集用于評(píng)估的NGSIMUS-101[2]和NGSIMI-80[3]數(shù)據(jù)集的站點(diǎn)的布局和自上而下的視圖。這些數(shù)據(jù)集由多車道高速公路上的車輛在不同交通密度下的實(shí)際軌跡組成，這些高速公路上有進(jìn)出坡道。
B.模型比較
我們用預(yù)測(cè)誤差的均方根值在5秒內(nèi)報(bào)告結(jié)果，就像在[4]中所做的那樣。對(duì)以下模型進(jìn)行了比較：
  • 恒速(CV)：我們使用等速卡爾曼濾波器作為最簡(jiǎn)單的基線
  • C-VGMM VIM：我們使用了基于機(jī)動(dòng)的變分高斯混合模型，并以[10]中描述的基于馬爾可夫隨機(jī)場(chǎng)的車輛相互作用模型作為我們的第二基線。我們修改模型以使用本工作中描述的機(jī)動(dòng)類，以便進(jìn)行公平的比較。
  • Gail-GRU：我們考慮了[4]中描述的基于生成性對(duì)抗性模仿學(xué)習(xí)的GRU模型。由于在這兩部作品中都使用了相同的數(shù)據(jù)集，所以我們使用了作者在原始文章中報(bào)告的結(jié)果。
  • 機(jī)動(dòng)-LSTM(M-LSTM)：最后考慮了本文提出的模型。由于每條基線都進(jìn)行單峰預(yù)測(cè)，為了進(jìn)行公平的比較，我們使用了我們所提出的模型所給出的最大概率與機(jī)動(dòng)相對(duì)應(yīng)的預(yù)測(cè)。
C.結(jié)果
表一顯示了被比較的模型的預(yù)測(cè)誤差的均方根值。我們注意到，文[4]提出的M-LSTM模型和Gail模型明顯優(yōu)于[10]的CV基線模型和C-VGMM vim模型，這表明了遞歸神經(jīng)網(wǎng)絡(luò)在汽車非線性運(yùn)動(dòng)建模中的優(yōu)越性。特別是，對(duì)于較長(zhǎng)的預(yù)測(cè)間隔，RMS值的減少更加明顯。我們還注意到，與Gail模型相比，M-LSTM對(duì)所有預(yù)測(cè)區(qū)間的預(yù)測(cè)誤差都較小。從誤差值的趨勢(shì)來(lái)看，隨著預(yù)測(cè)層數(shù)的增加，Gail模型似乎正在趕上M-LSTM模型。然而，我們需要考慮這樣一個(gè)事實(shí)：[4]中的Gail軌跡是通過(guò)一次運(yùn)行一輛車來(lái)生成的，而周圍的所有車輛都是根據(jù)NGSIM數(shù)據(jù)集的實(shí)際情況移動(dòng)的。因此，該模型能夠獲得預(yù)測(cè)視界內(nèi)相鄰車輛的真實(shí)軌跡。
圖5.模型各部件的燒蝕性分析：預(yù)測(cè)誤差的均方根值表明了在軌道編碼器中對(duì)相鄰車輛的航跡進(jìn)行建模和使用機(jī)動(dòng)識(shí)別模型的意義。
D.燒蝕分析
我們對(duì)模型的組成進(jìn)行了分析，以研究它們對(duì)運(yùn)動(dòng)預(yù)測(cè)的相對(duì)意義。特別是，我們?cè)噲D檢驗(yàn)使用相鄰車輛的軌跡歷史和使用機(jī)動(dòng)分類分支的意義。我們對(duì)下列系統(tǒng)設(shè)置的預(yù)測(cè)誤差的均方根值進(jìn)行了比較：
  • Vanilla LSTM(V-LSTM)：這只是在編碼器LSTM中使用預(yù)測(cè)車輛的跟蹤歷史
  • 環(huán)繞式LSTM(S-LSTM)：這還考慮了編碼器LSTM中相鄰的車輛跟蹤歷史
  • 環(huán)繞式LSTM機(jī)動(dòng)識(shí)別(M-LSTM)：這考慮了本文提出的完整模型
  • 用地面真實(shí)機(jī)動(dòng)(M-LSTM(GT)包圍LSTM：最后，我們還考慮了具有機(jī)動(dòng)類地面真值的M-LSTM，用改進(jìn)的機(jī)動(dòng)識(shí)別來(lái)衡量彈道預(yù)測(cè)中的潛在改進(jìn)。
圖6.預(yù)測(cè)分析：(A)多模態(tài)預(yù)測(cè)；(B)領(lǐng)先車輛的影響；(C)相鄰車輛的影響
圖5示出所考慮的4個(gè)系統(tǒng)設(shè)置的預(yù)測(cè)誤差的rms值。我們觀察到S-LSTM模型優(yōu)于Vanilla LSTM模型，表明相鄰車輛的運(yùn)動(dòng)是預(yù)測(cè)車輛未來(lái)運(yùn)動(dòng)的重要線索。M-LSTM進(jìn)一步提高了預(yù)測(cè)精度，說(shuō)明機(jī)動(dòng)分類在運(yùn)動(dòng)預(yù)測(cè)之前是有用的。隨著預(yù)測(cè)間隔的延長(zhǎng)，這兩種效應(yīng)似乎變得更加明顯。此外，我們還從M-LSTM(GT)的RMSE值中注意到，如果機(jī)動(dòng)分類更準(zhǔn)確，還可以進(jìn)一步改進(jìn)。
E.對(duì)預(yù)測(cè)的定性分析
在本節(jié)中，我們定性地分析了我們的模型所做的預(yù)測(cè)，以了解其在各種流量配置中的行為。圖6顯示了六種不同的流量場(chǎng)景。每個(gè)圖顯示了過(guò)去3秒的軌跡歷史圖，以及每個(gè)機(jī)動(dòng)類在接下來(lái)的5秒內(nèi)的平均預(yù)測(cè)軌跡。預(yù)測(cè)軌跡圖的厚度與分配給每個(gè)機(jī)動(dòng)類的概率成正比。另外，每個(gè)圖都顯示了完整預(yù)測(cè)分布的熱圖。
圖5(A)示出了由該模型為即將改變車道的車輛所作的多模態(tài)預(yù)測(cè)的性質(zhì)。預(yù)測(cè)的分布有一個(gè)對(duì)應(yīng)于各自車道變化的模式，以及保持車道的策略。模型對(duì)車道的變化越來(lái)越有信心，進(jìn)一步進(jìn)入機(jī)動(dòng)狀態(tài)。我們注意到，該模型預(yù)測(cè)了車輛將合并到目標(biāo)車道上進(jìn)行車道轉(zhuǎn)換操作，說(shuō)明了LSTM能夠?qū)囕v運(yùn)動(dòng)的非線性特性進(jìn)行建模。
                 
圖5(B)示出了領(lǐng)先車輛對(duì)模型所作預(yù)測(cè)的影響。第一個(gè)例子展示了一個(gè)自由流動(dòng)交通的例子，其中預(yù)測(cè)的車輛和領(lǐng)先的車輛以大致相同的速度行駛。在第二個(gè)例子中，我們從跟蹤歷史中注意到，與預(yù)測(cè)的車輛相比，領(lǐng)先車輛正在減速。我們看到模型預(yù)測(cè)車輛剎車，盡管它的當(dāng)前運(yùn)動(dòng)表明并非如此。相反，在第三個(gè)例子中，我們看到被預(yù)測(cè)的車輛幾乎是靜止的，而領(lǐng)先的車輛開始移動(dòng)。該模型預(yù)測(cè)車輛將加速行駛，就像在停車和通行時(shí)所預(yù)期的那樣。
圖5(C)顯示了相鄰車道上的車輛對(duì)模型預(yù)測(cè)的影響。這三個(gè)例子顯示了同樣的場(chǎng)景，間隔0.5秒，車輛被預(yù)測(cè)在最右邊的車道上。我們注意到，在所有三種情況下，模型給出了車輛保持車道的高概率。然而，它也給車輛改變左車道的可能性很小。文諾特認(rèn)為，圖中所示的圓圈車輛對(duì)左車道變化的概率有影響。當(dāng)環(huán)形車輛遠(yuǎn)遠(yuǎn)落后時(shí)，模型給出了較高的換道概率。當(dāng)車輛就在被預(yù)測(cè)的車輛旁邊時(shí)，換車道的概率就會(huì)下降。當(dāng)車輛通過(guò)，車道再次打開時(shí)，改變車道的概率就會(huì)增加。
Ⅵ結(jié)論
         
本文提出了一種新的基于LSTM的車輛運(yùn)動(dòng)預(yù)測(cè)交互感知模型，該模型能夠基于機(jī)動(dòng)類進(jìn)行多模態(tài)軌跡預(yù)測(cè)。與現(xiàn)有的兩種方法相比，該模型對(duì)兩組真實(shí)高速公路車輛軌跡的預(yù)測(cè)誤差較小，證明了該方法的可行性。此外，該系統(tǒng)的燒蝕性分析表明，對(duì)相鄰車輛的運(yùn)動(dòng)進(jìn)行建模對(duì)于預(yù)測(cè)某一給定車輛的未來(lái)運(yùn)動(dòng)，以及檢測(cè)和開發(fā)車輛的常見(jiàn)機(jī)動(dòng)對(duì)未來(lái)的運(yùn)動(dòng)預(yù)測(cè)具有重要意義。
 
 
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