基于Attention-BiLSTM網絡的車輛換道意圖識別

黃開啟,羅 濤

(江西理工大學 機電工程學院,江西 贛州 341000)

換道意圖識別系統能準確感知周圍車輛的駕駛行為,讓駕駛員預先察覺到可能發生的危險,有效降低汽車高速行駛過程中換道操作所造成的交通事故,增強智能車輛的決策規劃能力,提高行駛的安全性和舒適性[1]。目前,換道意圖識別是新一代高級輔助駕駛系統(Advanced driver assistance system,ADAS)的關鍵技術和研究熱點[2]。近年來,國內外學者采用機器學習的方法對識別車輛換道意圖進行了廣泛研究[3]。Mandalia等[4]采用支持向量機(Support vector machine,SVM)預測駕駛員的換道意圖,然而該方法難以反映出車輛換道過程的連續性特征。Li等[5]利用道路幾何特征和目標車輛的歷史狀態信息,設計了一種基于動態貝葉斯網絡(Dynamic bayesian network,DBN)的車輛換道預測模型,然而DBN模型沒有綜合考慮車輛之間的交互影響,識別精度難以滿足要求。Kumar等[6]提出了一種支持向量機和貝葉斯網絡相結合的換道意圖識別方法,由于忽視了車輛跟隨傳感器精度的影響,導致系統誤報率較高。Liu等[7]采用隱馬爾科夫模型(Hidden markov model,HMM)對駕駛員駕駛意圖進行預測,雖然HMM可以對任意長度的時間序列進行建模,但是無法體現出上下文時間特征序列之間的關聯性特征。

目前,深度學習在棋類對弈、圖像識別和自然語言處理等領域展示出強勁的智能模擬功效,非常適合于換道意圖的時空大數據特征識別和決策推理[8]。季學武等[9]設計了一種基于長短期記憶(Long short-term memory,LSTM)網絡的駕駛意圖識別和車輛軌跡預測模型,然而未考慮車輛間交互信息來識別車輛的駕駛意圖。……