基于车辆轨迹数据的车道变更意图识别的机器学习方法比较分析

Jul, 2023

基于车辆轨迹数据的车道变更意图识别的机器学习方法比较分析

A Comparative Analysis of Machine Learning Methods for Lane Change Intention Recognition Using Vehicle Trajectory Data

Renteng Yuan

TL;DR准确检测和预测车道变换过程可以帮助自动驾驶汽车更好地理解周围环境，识别潜在的安全危险并提高交通安全。本文侧重于车道变换过程，并比较了不同的机器学习方法在从高维时序数据中识别车道变换意图方面的性能。验证提出模型的性能，从 CitySim 数据集中提取了 1023 个车辆轨迹。对于车道变换意图识别问题，结果表明，集成方法减少了二型和三型分类错误的影响，具有 98% 的分类准确度。在不牺牲识别准确度的情况下，LightGBM 模型训练效率比 XGBoost 算法提高了 6 倍。

Abstract

Accurately detecting and predicting lane change (LC)processes can help autonomous vehicles better understand their surrounding environment, recognize potential safety hazards, and improve traffic safety. This paper focuses on LC processes and compares different machine learning methods

lane change processes machine learning methods lc intention recognition ensemble methods lightgbm

发现论文，激发创造

通过 TCN-LSTM 和多任务学习模型实现车道变换意图识别和驾驶状态预测的统一方法

本文提出了一种基于多任务学习的 LC 意图识别和状态预测模型，提高了 LC 意图分类的准确率并给出了一种实现自动驾驶车辆辨别车道变更行为、计算实时交通冲突指数并改善车辆控制策略的方法。

Apr, 2023

LC-LLM: 大型语言模型的可解释性变道意图和轨迹预测

为了在动态环境下保证安全驾驶，自动驾驶车辆应该具备准确预测周围车辆的变道意图并预测其未来轨迹的能力。本文通过提出了一种可解释的变道预测模型 LC-LLM，利用大型语言模型（LLM）的强大推理能力和自我解释能力来解决现有运动预测方法在长期预测精度和可解释性方面的不足。我们将变道预测任务重新定义为语言建模问题，将异构驾驶场景信息以自然语言形式作为 LLM 的输入，并采用监督微调技术，使 LLM 专门用于变道预测任务。这使得我们能够利用 LLM 强大的常识推理能力来理解复杂的交互信息，从而提高长期预测的准确性。此外，我们在推理阶段的提示中加入了解释要求。因此，我们的 LC-LLM 模型不仅可以预测变道意图和轨迹，还能提供预测解释，增强了可解释性。对大规模高维驱动数据集的广泛实验证明了我们的 LC-LLM 在变道预测任务中的卓越性能和可解释性。据我们所知，这是首次尝试利用 LLM 来预测变道行为。我们的研究表明，LLM 能够对驾驶行为进行综合交互信息编码。

Mar, 2024

机器学习基于的自动驾驶车辆意图轨迹识别与预测

本文介绍了一种基于深度学习的预测方法，用于自动驾驶车辆的变道行为，旨在促进安全的变道操作，从而提高道路安全。

Feb, 2024

利用动作识别网络进行车道变更分类与预测

利用采集的视频数据，我们提出了一个包含两个行动识别方法的端到端框架，用于识别车道变更，并且在 PREVENTION 数据集上表现最佳，表明行动识别模型可以有效地提取车道变更动作；该论文还提出了一种更好地提取运动线索的方法。

Aug, 2022

车道关注：通过学习车道上的注意力预测车辆的运动轨迹

通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

Sep, 2019

一种合作自适应巡航控制系统中的驾驶员变道预测新模型

本文利用 HighD 数据集构建 LSTM 模型，通过 ACC 和 CACC 两种与周围车辆交互的情景，探究车辆位置、速度和加速度等信息对车道变更预测准确率的影响，提高车道变更预测准确率至 59.15% - 92.43%。

May, 2023

基于知识图谱嵌入和贝叶斯推理的车辆换道预测

基于语言上下文信息利用知识图谱实现车道变更预测，并应用贝叶斯推理，预测车道变更两秒前的 f1 得分为 97.95%，领先于现有技术，三秒前的 f1 得分为 93.60%。

Dec, 2023

基于 LSTM 的自动驾驶换道安全预测模型

自动驾驶技术能够提高交通安全和减少事故，本研究提出了基于短期记忆 (LSTM) 网络的安全敏感深度学习模型来预测轨迹，通过考虑交互信息的意图识别模块，实现高准确性和流畅性的车道变换，并优化自动驾驶轨迹规划。

Feb, 2024

自动驾驶车辆的多模态概率轨迹预测与车道关注

本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

Jul, 2020

IntentNet: 从原始传感器数据中学习预测意向

该研究开发了一种能够利用 LiDAR 传感器产生的 3D 点云和环境动态地图的多任务模型，以识别其他交通参与者的意图，并实现减少自动驾驶应用程序反应时间的目的，与分离模块相比达到更高的准确性和节省计算资源。

Jan, 2021