论文部分内容阅读
自动驾驶车辆与传统车辆混行的交通环境中，车辆的换道意图预测能够为自动驾驶车辆安全行驶提供有效保证。为了更准确的预测车辆的换道意图，将多头注意力与卷积神经网络（Convolution neural network, CNN）和长短时记忆（Long-short term memory, LSTM）网络结合，提出一种新型车辆换道意图预测算法。首先对NGSIM（Next generation Simulaion）数据集进行处理，提取车辆横向位置信息和周围环境信息。然后输入进基于多头注意力（Multi-headattention）的CNN-LSTM模型，提高对输入序列特征的提取能力和预测精度。最后在NGSIM数据集验证了该模型的有效性。试验结果表明，该模型能够从大量数据中提取到重要特征，同时通过特征对比试验发现，横向位置信息作为预测的主要特征，而周围环境信息作为预测的辅助特征。最后通过模型的对比试验得出，该模型的换道意图预测准确率在换道前1 s、2 s、3 s相比于LSTM、CNN、CNN-LSTM模型具有更好的预测精度，可以为自动驾驶汽车设计先进的意图预测算法提供帮助和参考。