论文部分内容阅读
车辆换道是行车过程中最常见的行为之一,不正确或不合时宜的换道很可能会造成交通事故甚至人员伤亡。如果能够提前预测驾驶员的换道意图并且利用高级驾驶辅助系统(ADAS)进行车与车换道行为的交互通知,将大大降低行车过程中的事故发生几率。在此背景下,本文以提高预测精确率和前瞻时间为目的,提出了一种驾驶员换道预测模型。论文的主要工作如下:1)根据当前研究条件,开发了能够采集汽车运动学数据、驾驶员运动学数据、驾驶员生理数据的软硬建平台并邀请不同的驾驶员进行数据采集。数据采集完成后,对数据进行了预处理操作。提出了动态时间窗口算法,利用该算法保证了模型输入数据的一致性及提高了整个模型预测前瞻时间。2)构建基于循环神经网络(RNN)变体Seq2Seq框架和LSTM及GRU计算核的时间序列数据预测网络。由于Seq2Seq包含Encoder和Decoder的两部分,所以在构建网络时,分别对LSTM-Seq2Seq、GRU-Seq2Seq、GRU-Encoder+LSTM-Decoder Seq2Seq、LSTM-Encoder+GRU-Decoder Seq2Seq四种不同网络结构在2次时间窗口缩小下的训练损失、拟合情况、收敛步数等几个方面做出对比分析,通过综合考量,发现LSTMEncoder+GRU-Decoder Seq2Seq结构更适合作为时间序列预测的基本网络。3)利用Seq2Seq的预测结果,对数据进行融合和分类。该章选取了深层神经网络、GKF-SVM、KNN三种算法来对数据进行融合和分类。通过对三种算法的结果对比,发现深层神经网络综合表现良好,能够作为时间序列数据融合分类算法。另外,将LSTMEncoder+GRU-Decoder Seq2Seq和深层神经网络(DNN)进行级联,并且采用新数据进行了模型验证。4)为了找到与换道最为相关的输入变量,对整个模型进行敏感性分析。进行敏感性分析时,首先向分析的变量加入噪声或者置0,随后观察整个模型的分类精确率,将平均变化分类精确率作为该输入变量的敏感系数。经过计算分析,发现方向盘转向角、波、转向角速度、头部转动次数是和驾驶员换道最相关的变量。最后对文章的所有内容做出了总结和展望。综上所述,本文基于真实交通场景数据和具有创新性的动态时间窗口算法,利用RNN-Seq2Seq和DNN构建了车道变换的预测模型,达到了93.7%的预测精度,2.2s的平均前瞻时间,优于以往大部分的预测模型。