高速场景相邻前车驾驶行为识别及意图预测

作者：张海伦; 付锐^*

来源：交通运输系统工程与信息, 2020, 20(01): 40-46.

DOI：10.16097/j.cnki.1009-6744.2020.01.007

• 交通工程
• 行为识别
• 意图预测
• 连续隐马尔可夫模型
• 双向长短时记忆网络

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力.对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型—贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型.采用自然驾驶数据集对模型的有效性进行测试验证.实验分析表明:基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图.模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.

• 单位
  长安大学