基于多层感知机的换道操纵长期预测
机器学习
2020-06-24 v1 人工智能
机器学习
摘要
行为预测在自动驾驶系统和高级驾驶辅助系统（ADAS）中均起着至关重要的作用，因为它增强了车辆对周围环境中迫近危险的感知。许多现有的换道预测模型以横向或角度信息作为输入，并进行短期（<5秒）操纵预测。在本研究中，我们提出了一种无需任何横向或角度信息的更长期（5~10秒）预测模型。介绍了三种预测模型，包括逻辑回归模型、多层感知机（MLP）模型和循环神经网络（RNN）模型，并利用真实世界的NGSIM数据集比较了它们的性能。为恰当标注轨迹数据，本研究提出了一种新的时间窗标注方案，在正样本与负样本之间加入时间间隔。还提出了两种方法来解决预测不稳定的问题，其中激进方法将每次正预测传播若干秒，而保守方法采用滚动窗口平均来平滑预测。评估结果表明，所开发的预测模型能够捕获75%的真实换道操纵，平均提前预测时间为8.05秒。
引用
@article{arxiv.2006.12769,
title = {Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron},
author = {Zhenyu Shou and Ziran Wang and Kyungtae Han and Yongkang Liu and Prashant Tiwari and Xuan Di},
journal= {arXiv preprint arXiv:2006.12769},
year = {2020}
}
备注
Accepted by 31st IEEE Intelligent Vehicles Symposium