使用深度（双向）循环神经网络进行驾驶员行为预测

有效的驾驶员行为预测（DAP）可以显著改进高级驾驶辅助系统（ADAS）。及早且准确地预测驾驶员行为有助于减轻潜在不安全驾驶行为的影响并避免可能的事故。在本文中，我们将驾驶员行为预测形式化为一个时间序列异常预测问题。虽然在此情境下异常（感兴趣的驾驶员行为）检测可能较为简单，但要找到始终先于异常出现的模式，则需要跨多模态传感输入搜索或提取特征。我们提出了这样一个驾驶员行为预测系统，包括一个用于预测未来或即将发生的驾驶员行为的实时数据采集、处理和学习框架。该系统除了利用传统的车辆动力学数据外，还融合了基于摄像头的驾驶环境和驾驶员自身知识。然后，它使用深度双向循环神经网络（DBRNN）来学习传感输入与即将发生的驾驶员行为之间的相关性，从而实现准确且高前瞻量的行为预测。该系统在驾驶员行为预测任务上优于其他现有系统，能够在驾驶员执行动作前 5 秒准确预测包括加速、制动、变道和转弯在内的关键驾驶行为。