基于LSTM的车辆换道意图识别研究.docxVIP

基于LSTM的车辆换道意图识别研究

摘要：本文首先对车辆轨迹数据进行了筛选和高斯平滑处理，并对不同的驾驶行为进行分类和驾驶意图标注。随后，本文提出了一种基于LSTM的车辆换道意图识别模型，该模型充分考虑了车辆之间的交互作用，有效提取了换道过程中的时序连续特征，并捕捉到车辆行驶轨迹中的局部和长期依赖关系。模型将目标车辆及其周围车辆交互作用信息的行驶数据作为输入。实验结果表明，本文提出的模型在预测车辆换道意图方面达到了92.85%的准确率，并且在多种评价指标上显著优于其他模型，展示了在实际交通环境中的应用潜力。

关键词：换道意图识别机器学习LSTM模型智能交通

随着智能交通系统和自动驾驶技术的快速发展，准确识别车辆的驾驶意图已成为一个重要的研究课题。Okamoto等人[1]利用随机森林算法捕获其他车辆驾驶员

的意图。乔少杰等人[2]提出了基于高斯混合模型的轨迹预测方法(GMTP),通过

高斯过程回归预测最可能的运动轨迹。此外，Aoude等人[3]将支持向量机(SVM)

的意图预测器与使用快速探索随机树(RRT)的威胁评估器相结合，以识别交通参

与者的机动行为。Schulz等[4]提出了一种基于多模型无迹卡尔曼滤波的动态贝叶斯网络(DBN)推理方法，用于驾驶员意图估计和多智能体轨迹预测。张淼等[5]提出了一种新型的列车轨迹预测模型，即LSTM-KF模型，结合长短期记忆网络(LSTM)和卡尔曼滤波(KF)的优点，实现了对列车轨迹的高精度预测。这些研究工作推动了驾驶意图识别和轨迹预测技术的发展，证明了深度学习、机器学习及概率推理等方法在该领域的应用潜力。然而，尽管上述方法在不同方面取得了显著进展，仍存在一些需要进一步研究和解决的问题。鉴于此，本文提出了一种基于LSTM的车辆

换道意图识别模型，通过对车辆轨迹数据的预处理和特征提取，训练了一个能够高效识别换道意图的模型，并通过实验证明了其优越性。

2数据预处理

本文使用的数据集源于NGSIM(NextGenerationSimulation)数据集，该数据集是由美国联邦公路管理局(FHWA)发起并收集的高精度交通数据集，旨在支持交通流量和驾驶行为模型的研究与开发。该数据集涵盖了不同类型的道路场景，本文选用US-101高速公路和I-80高速公路部分路段数据作为实验数据。数据集提供了详尽的车辆信息，包括但不限于：车辆的唯一识别编号、采集区域中的具体坐标、标准地理坐标系中的位置、车辆的速度和加速度、所属车道编号、车头间距和车头时距等。具体数据字段及描述详见表1。

本文采用高斯平滑(GaussianSmoothing)处理技术对数据进行预处理，以减少短时波动带来的误差。该方法能有效平滑数据，降低噪声和瞬时变化对结果的影响，提高航向角数据的准确性和可靠性。

3换道意图分类

3.1换道过程分析

本文车辆换道过程如图1所示。车辆换道过程可以分为多个关键时刻和相关特征。通过分析这些时刻和特征，可以有效分类换道行为并标注换道意图。关键时刻划分主要分为四个部分。

(1)换道意图产生时刻：驾驶员在脑海中产生换道的意图，但还未实施任何操作。这一时刻通常可以通过驾驶员眼神或注意力的变化进行推测，是换道过程的初始阶段。

(2)开始换道操作时刻：驾驶员完成了对周围交通环境的检查，确认安全后开始实施换道操作，例如打转向灯或调整方向盘。这一时刻的具体特征包括转向灯的启动、方向盘角度的变化以及车辆的初步侧向加速度。

(3)跨越车道线时刻：当车辆开始横向移动并越过车道线进入新车道时，可以通过监测车辆相对于车道线位置的变化进行标记。关键特征包括车辆的横向位置、速度、加速度以及车道线检测信息。

(4)完成换道操作时刻：车辆完全进入新车道，换道过程结束，车辆稳定在新的车道上。这一时刻的标志是车辆在新车道内的横向位置稳定，且车速和行驶轨迹恢复正常。

3.2换道过程中的参数变化

在换道过程中，车辆的以下驾驶特征参数会发生明显变化。

(1)侧向速度：代表车辆横向移动速度。在A0到A3阶段(换道意图到完成换道),侧向速度会明显增加，达到最大值后逐渐降低至正常水平。侧向速度变化是评估车辆换道起始与完成的关键指标，通过监控侧向速度的峰值和变化趋势，可以帮助识别换道时刻。

(2)横向加速度：反映车辆加速或减速的程度。在换道期间，特别是在A0到A3阶段，横向加速度会出现高峰。高峰的存在表明车辆正在执行换道操作。可以通过横向加速度的变化率判断驾驶员的换道决心和操作力度，同时也可以与侧向速度结合，分析换道行为的平稳性和安全性