面向自动驾驶车辆的换道意图识别与车辆状态预测
机器学习
2023-07-21 v2
摘要
准确检测和预测人类驾驶车辆的换道（LC）过程，可帮助自动驾驶车辆更好地理解周围环境、识别潜在安全隐患并提升交通安全。本文聚焦于 LC 过程，首先开发了带注意力机制的时序卷积网络（TCN-ATM）模型以识别 LC 意图。考虑到输出变量间的内在关联，采用多任务学习（MTL）框架同时预测多个 LC 车辆状态指标。此外，构建了 LC 意图识别与驾驶状态预测的统一建模框架（LC-IR-SP）。结果表明，将注意力机制引入 TCN 模型后，LC 意图的分类准确率由 96.14% 提升至 98.20%。针对 LC 车辆状态预测问题，基于 MTL 框架构建了三种多任务学习模型。结果表明，MTL-LSTM 模型优于 MTL-TCN 与 MTL-TCN-ATM 模型。相较于相应的单任务模型，MTL-LSTM 模型的 MAE 平均降低 26.04%，RMSE 平均降低 25.19%。
引用
@article{arxiv.2304.13732,
title = {Lane Change Intention Recognition and Vehicle Status Prediction for Autonomous Vehicles},
author = {Renteng Yuan and Mohamed Abdel-Aty and Xin Gu and Ou Zheng and Qiaojun Xiang},
journal= {arXiv preprint arXiv:2304.13732},
year = {2023}
}