摘要：在自動(dòng)駕駛領(lǐng)域，預(yù)測(cè)變道意圖一直是一個(gè)非?；钴S的研究領(lǐng)域。然而，大多數(shù)文獻(xiàn)都集中在單個(gè)車(chē)輛上，并且在進(jìn)行預(yù)測(cè)時(shí)沒(méi)有考慮鄰居信息和車(chē)輛歷史軌跡的累積影響。我們建議應(yīng)用周?chē)兄狶STM算法來(lái)預(yù)測(cè)車(chē)輛執(zhí)行車(chē)道變換的意圖，該車(chē)道變換利用車(chē)輛過(guò)去軌跡和其鄰居的當(dāng)前狀態(tài)。我們根據(jù)真實(shí)世界的變道數(shù)據(jù)對(duì)模型進(jìn)行了訓(xùn)練，并且能夠在仿真中顯示出這兩個(gè)組件不僅可以提高精度，還可以提前預(yù)測(cè)變道時(shí)間，這對(duì)提高自動(dòng)駕駛車(chē)輛的整體性能具有重要作用。

Ⅰ.介紹

車(chē)道變換被認(rèn)為是造成交通事故的主要因素之一[1]。為了使自動(dòng)駕駛車(chē)輛能夠在高速公路上行駛，重要的是要預(yù)測(cè)其他車(chē)輛變換車(chē)道的意圖以防止?jié)撛诘呐鲎?。嘗試模擬駕駛員的車(chē)道變換行為已經(jīng)有很多工作，可以分為幾種類(lèi)型：基于規(guī)則的算法[2]，[3]，[4]，基于機(jī)器學(xué)習(xí)的算法[5]，[ 6]，[7]和知識(shí)表示算法[8]，[9]，[10]。

基于規(guī)則的算法定義了一組規(guī)則來(lái)模擬車(chē)道變換。最具代表性的是“間隙接受模型”[2]，它假設(shè)駕駛員的車(chē)道變換機(jī)動(dòng)是基于目標(biāo)車(chē)道的超前和滯后間隙。該方法假設(shè)如果間隙達(dá)到最小可接受值，則駕駛員傾向于進(jìn)行車(chē)道變換。雖然在簡(jiǎn)單的場(chǎng)景中直觀且穩(wěn)健，但是這樣的方法需要大量的參數(shù)微調(diào)，這可能是繁瑣且耗時(shí)的。

基于機(jī)器學(xué)習(xí)的算法為這個(gè)問(wèn)題創(chuàng)建了一個(gè)數(shù)學(xué)模型：給定與車(chē)輛相關(guān)的特征作為輸入，車(chē)輛的變道意圖作為輸出，這些方法試圖推斷映射函數(shù)，以獲得最佳預(yù)測(cè)結(jié)果。該模型采用了大量分類(lèi)器，如邏輯回歸[5]和SVM分類(lèi)器[6]。

知識(shí)表示算法開(kāi)發(fā)了一個(gè)網(wǎng)絡(luò)模型來(lái)模擬人類(lèi)的推理過(guò)程?；谥R(shí)的算法在駕駛場(chǎng)景中的應(yīng)用包括強(qiáng)化學(xué)習(xí)[11]，課程學(xué)習(xí)[12]，以及通過(guò)貝葉斯網(wǎng)絡(luò)學(xué)習(xí)[8]，[9]。但是，模型可能需要很長(zhǎng)時(shí)間才能在學(xué)習(xí)過(guò)程中概括未知環(huán)境中的基本規(guī)則。

人力驅(qū)動(dòng)車(chē)輛發(fā)起車(chē)道變換操縱的意圖不僅基于車(chē)輛自身的狀態(tài)，例如航向角和加速度，而且還基于其與相鄰車(chē)輛的關(guān)系，例如其與前方車(chē)輛的距離。最近，一些參考文獻(xiàn)探討了鄰近交通對(duì)自身車(chē)輛的影響。薩迪等人提出了一種算法，使自身車(chē)輛能夠在其規(guī)劃過(guò)程中模擬其他車(chē)輛的意圖，有目的地改變其他車(chē)輛的行為[ 13 ]。此外，它還要求了解其他汽車(chē)的意圖，以一種獎(jiǎng)勵(lì)的形式，而不模仿通常在人類(lèi)身上發(fā)現(xiàn)的合作行為。作者建議使用LSTM [15]來(lái)模擬問(wèn)題的順序性質(zhì)以及社交池層來(lái)模擬行人之間的相互作用。因此，他們能夠在擁擠的人群中模擬行人的軌跡，每個(gè)行人都合作地調(diào)整他們未來(lái)的軌跡。然而，由于數(shù)據(jù)中的協(xié)作交互次數(shù)較少，該方法不能直接應(yīng)用于車(chē)道變換問(wèn)題。

在本文中，我們還提出了利用LSTM網(wǎng)絡(luò)結(jié)構(gòu)將車(chē)輛過(guò)去的位置包含到預(yù)測(cè)算法中，使系統(tǒng)能夠提取過(guò)去的相關(guān)信息。為了模擬其他汽車(chē)對(duì)決策過(guò)程的影響，同時(shí)保持問(wèn)題的易處理性，我們?cè)诰W(wǎng)絡(luò)的輸入特征中加入了關(guān)于鄰近車(chē)輛的信息。

為了全面了解自然駕駛行為，學(xué)習(xí)過(guò)程需要大量的駕駛和車(chē)道變換軌跡，這就是我們選擇NGSIM數(shù)據(jù)集[16]來(lái)訓(xùn)練和驗(yàn)證算法的原因。我們還采用了基于Julia的NGSIM [ 17 ]平臺(tái)來(lái)提取網(wǎng)絡(luò)的輸入特征，并可視化交通場(chǎng)景。

圖1.變道軌跡的起點(diǎn)、變道點(diǎn)和終點(diǎn)。

第二節(jié)描述了從NGSIM數(shù)據(jù)集提取和預(yù)處理數(shù)據(jù)的過(guò)程。在第三節(jié)中，我們介紹了輸入特性，并詳細(xì)解釋了具體的網(wǎng)絡(luò)結(jié)構(gòu)。然后，我們將我們的結(jié)果與第四節(jié)中的其他方法進(jìn)行說(shuō)明和比較。第五節(jié)總結(jié)了我們的工作成果，并提出了未來(lái)可能的工作。

Ⅱ.數(shù)據(jù)提取和處理

開(kāi)源聯(lián)邦高速公路管理局的下一代模擬( NGSIM )數(shù)據(jù)集[ 16 ]被挑選出來(lái)，用于提取車(chē)輛軌跡并建立車(chē)道變化預(yù)測(cè)模型，該數(shù)據(jù)集已被許多先前的研究[5]、[6]號(hào)采納。在0：1秒的時(shí)間間隔內(nèi)，數(shù)據(jù)集記錄了美國(guó)101號(hào)高速公路[18]和80號(hào)州際公路（I-80）高速公路[19]上每輛車(chē)的位置，速度，加速度和車(chē)頭時(shí)距信息。兩個(gè)位置都包含45分鐘的車(chē)輛軌跡數(shù)據(jù)。101號(hào)高速公路長(zhǎng)640米，有5個(gè)主要車(chē)道和6個(gè)輔助車(chē)道，而I-80長(zhǎng)號(hào)公路約500米，有6個(gè)主要車(chē)道。

我們從NGSIM中提取了6個(gè)車(chē)輛軌跡數(shù)據(jù)序列，每個(gè)序列10分鐘。我們從每個(gè)15分鐘的序列中刪除了前5分鐘，以確保每幀中有足夠數(shù)量的車(chē)輛。對(duì)于每個(gè)序列，前2分鐘被定義為測(cè)試集，剩余的8分鐘被定義為訓(xùn)練集。由于數(shù)據(jù)以每秒10幀的速度記錄，我們總共可以獲得1200個(gè)測(cè)試時(shí)間步長(zhǎng)和4800個(gè)訓(xùn)練時(shí)間步長(zhǎng)。

車(chē)輛被標(biāo)記為“打算向左改變車(chē)道”，“打算沿著車(chē)道行駛”，或者“打算在每個(gè)時(shí)間步驟改變車(chē)道”。我們標(biāo)記車(chē)輛狀態(tài)的方式如下。

如圖1所示，我們首先收集所有車(chē)道交換點(diǎn)，即車(chē)輛重力點(diǎn)越過(guò)劃分車(chē)道的虛線(xiàn)的點(diǎn)，車(chē)輛。如果車(chē)輛在時(shí)間步長(zhǎng)t處在變道點(diǎn)，我們?cè)赱t-δt，t+δt]（δt=2s）檢查了它的軌跡，并在該時(shí)間段內(nèi)計(jì)算其航向值θ。當(dāng)θ到達(dá)邊界值θbound:|θ|=θbound時(shí)，我們標(biāo)記了這個(gè)變道軌跡的起點(diǎn)和終點(diǎn)。

圖2 ( b )描述了我們標(biāo)記軌跡片段的方式。對(duì)于每輛車(chē)，n個(gè)連續(xù)的時(shí)間步長(zhǎng)被打包成一個(gè)軌跡段。如果軌跡片段的第n個(gè)時(shí)間步長(zhǎng)是變道時(shí)間步長(zhǎng)，則該片段是變道片段，否則它被標(biāo)記為車(chē)道跟隨片段。在本文中，我們將n設(shè)置為6,9和12，以確定歷史軌跡長(zhǎng)度對(duì)最終結(jié)果的影響。

圖2.( A )如果預(yù)測(cè)車(chē)輛連續(xù)3個(gè)時(shí)間步長(zhǎng)進(jìn)行車(chē)道變換，則確定車(chē)道變換預(yù)測(cè)點(diǎn)。變道預(yù)測(cè)時(shí)間被定義為變道點(diǎn)和變道預(yù)測(cè)點(diǎn)之間的時(shí)間間隔。( b ) n個(gè)連續(xù)時(shí)間步長(zhǎng)被打包成一個(gè)軌跡段。如果軌跡片段的第n個(gè)時(shí)間步長(zhǎng)是車(chē)道跟隨時(shí)間步長(zhǎng)，則該片段是車(chē)道跟隨片段，否則它被標(biāo)記為車(chē)道改變片段。

然后，我們可以獲得大約60,000個(gè)車(chē)道更換件，加400,000輛汽車(chē)用于訓(xùn)練。這顯然涉及一個(gè)數(shù)據(jù)不平衡的問(wèn)題，在這種情況下，用于訓(xùn)練的車(chē)道跟隨件比車(chē)道變換件多得多，這將導(dǎo)致訓(xùn)練過(guò)程中的過(guò)度擬合。為了解決這個(gè)問(wèn)題，我們從變道左池、變道后池和變道右池中隨機(jī)選擇了相同數(shù)量的片段N，將它們混合在一起作為訓(xùn)練數(shù)據(jù)集。為了最大限度地利用數(shù)據(jù)，N被設(shè)置為變道右側(cè)池中的件數(shù)( 30，000件)。

然后，給定測(cè)試集中的前( n1 )個(gè)時(shí)間步長(zhǎng)歷史軌跡和鄰居信息，在每個(gè)時(shí)間步長(zhǎng)預(yù)測(cè)每輛車(chē)的變道意圖。在過(guò)濾結(jié)果之后還計(jì)算了車(chē)道變換預(yù)測(cè)時(shí)間。具體地，如果預(yù)測(cè)車(chē)輛進(jìn)行3個(gè)連續(xù)時(shí)間步長(zhǎng)的車(chē)道變換，則確定車(chē)道變換預(yù)測(cè)點(diǎn)，并且車(chē)道變換預(yù)測(cè)時(shí)間被定義為車(chē)道變換點(diǎn)和車(chē)道之間的時(shí)間間隔-改變預(yù)測(cè)點(diǎn)，如圖2（a）所示。

III.方法

在本論文中，我們?cè)噲D預(yù)測(cè)汽車(chē)是否會(huì)改變車(chē)道以及它將合并到哪條車(chē)道。我們使用一個(gè)LSTM來(lái)使代理能夠?qū)?chē)輛歷史軌跡信息進(jìn)行推理。然而，由于人類(lèi)的決策行為也將取決于周?chē)能?chē)輛，我們也將車(chē)輛鄰居信息作為網(wǎng)絡(luò)的輸入。

圖3.鄰居信息收集。我們首先根據(jù)自身車(chē)輛的方位和中心位置將相鄰空間劃分為四個(gè)部分，并根據(jù)它們與自身車(chē)輛的相對(duì)位置定義相應(yīng)的相鄰車(chē)輛。然后，我們收集這些相鄰車(chē)輛和自身車(chē)輛之間的縱向距離作為相鄰特征。如果相應(yīng)位置沒(méi)有鄰居，我們將距離定義為500米，以推斷無(wú)限距離。

在下文中，我們將描述提供給預(yù)測(cè)算法的輸入特征，然后簡(jiǎn)要描述這里使用的網(wǎng)絡(luò)架構(gòu)。

A.輸入功能

我們?yōu)轭A(yù)測(cè)算法使用兩種類(lèi)型的輸入特征：（a）車(chē)輛自身的信息和（b）車(chē)輛的鄰居信息。車(chē)輛自身的信息包括：

1）車(chē)輛加速度

2）車(chē)輛相對(duì)于道路的轉(zhuǎn)向角

3）相對(duì)于車(chē)道的全球橫向車(chē)輛位置

4）相對(duì)于車(chē)道的全局縱向車(chē)輛位置

車(chē)輛的鄰居信息（參見(jiàn)圖3，“自我車(chē)輛”在這里指的是我們正在估算其車(chē)道變換意圖的車(chē)輛）通過(guò)以下特征提供：

1）左車(chē)道的存在（如果存在則為1，否則為0）

2）右車(chē)道的存在（如果存在則為1，否則為0）

3）自我車(chē)輛和左前方車(chē)輛之間的縱向距離

4）自我車(chē)輛和前車(chē)之間的縱向距離

5）自我車(chē)輛和右前方車(chē)輛之間的縱向距離

6）自我車(chē)輛和左后車(chē)輛之間的縱向距離

7）自我車(chē)輛和后車(chē)之間的縱向距離

8）自我車(chē)輛和右后車(chē)輛之間的縱向距離

B.網(wǎng)絡(luò)結(jié)構(gòu)

圖4.用于車(chē)道變換意圖預(yù)測(cè)的LSTM網(wǎng)絡(luò)結(jié)構(gòu)。

表I.改變車(chē)道預(yù)測(cè)的準(zhǔn)確性比較

如圖4所示，我們采用LSTM網(wǎng)絡(luò)結(jié)構(gòu)，來(lái)處理這種改變車(chē)道的意圖預(yù)測(cè)問(wèn)題。為車(chē)輛自身特征及其鄰居特征選擇的嵌入維度為64，LSTM網(wǎng)絡(luò)的隱藏維度為128。我們選擇學(xué)習(xí)率為0：000125，使用soft-max交叉熵?fù)p失作為訓(xùn)練損失：loss =-Σi=1yi′log（yi）。其中y是第i個(gè)車(chē)道改變意圖的真實(shí)標(biāo)簽（yi′=1，意圖存在，yi′=0，意圖不存在。i∈{1，2，3}。y1′是改變車(chē)道的左意圖，y2′是跟隨車(chē)道的意圖，y3′是換車(chē)道的正確意圖）。yi是經(jīng)過(guò)soft-max層后第i個(gè)車(chē)道變換意圖的模型的預(yù)測(cè)輸出概率。

IV.結(jié)果

A.與其他網(wǎng)絡(luò)結(jié)構(gòu)的比較

我們獲得了我們的結(jié)果，并將其與前饋神經(jīng)網(wǎng)絡(luò)、邏輯回歸和無(wú)相鄰特征輸入的LSTM進(jìn)行了比較，以顯示添加歷史軌跡和環(huán)境因素的優(yōu)勢(shì)。

表I和圖5顯示了通過(guò)我們的算法，前饋神經(jīng)網(wǎng)絡(luò)和邏輯回歸計(jì)算的分類(lèi)準(zhǔn)確率。我們稱(chēng)之為環(huán)境感知( SA ) - LSTM的方法，基于歷史軌跡信息和鄰居信息的優(yōu)勢(shì)，在預(yù)測(cè)精度方面在所有分類(lèi)類(lèi)型(左轉(zhuǎn)換道、右轉(zhuǎn)換道和右轉(zhuǎn)換道)上都優(yōu)于其他兩種方法。

B.不同軌跡長(zhǎng)度的比較

然后，我們獲得并比較了不同軌跡長(zhǎng)度的預(yù)測(cè)準(zhǔn)確率。具體來(lái)說(shuō)，我們將LSTM結(jié)構(gòu)的歷史軌跡長(zhǎng)度設(shè)置為6,9和12，將它們相互比較。結(jié)果顯示在表II中，并在圖6中可視化。我們比較了五種不同軌跡序列的結(jié)果，以幫助我們對(duì)曲線(xiàn)變化趨勢(shì)有一個(gè)大致的了解。在所有預(yù)測(cè)場(chǎng)景中，隨著歷史長(zhǎng)度的增加，預(yù)測(cè)精度也會(huì)增加(左變道、右變道)。

圖5所示.不同方法的預(yù)測(cè)精度比較。SA-LSTM在所有分類(lèi)類(lèi)型中都優(yōu)于其他兩種類(lèi)型，包括右車(chē)道變換，車(chē)道跟隨和左側(cè)車(chē)道變換。

從常識(shí)來(lái)看，我們所擁有的歷史軌跡長(zhǎng)度越長(zhǎng)，我們從先前軌跡獲得的信息就越多，并且在最終結(jié)果中將獲得更高的準(zhǔn)確度。但是，在長(zhǎng)度和計(jì)算時(shí)間之間需要權(quán)衡。隨著長(zhǎng)度的增加，準(zhǔn)確度的提高也會(huì)減慢。從圖中我們可以看出，與長(zhǎng)度= 9相比，長(zhǎng)度= 12僅獲得略高的準(zhǔn)確率。更重要的是，歷史軌跡長(zhǎng)度不能太長(zhǎng)。否則，一些與當(dāng)前變道意圖無(wú)關(guān)的因素將被引入輸入?；谏鲜龇治?，我們?cè)O(shè)置長(zhǎng)度= 12是合理的，其中精度增加率在該NGSIM場(chǎng)景中減慢以獲得準(zhǔn)確的預(yù)測(cè)，同時(shí)節(jié)省計(jì)算能力。這種分析也可以在現(xiàn)實(shí)世界的應(yīng)用中采用，在設(shè)置適當(dāng)?shù)臍v史長(zhǎng)度參數(shù)時(shí)，應(yīng)該始終考慮準(zhǔn)確性和計(jì)算能力之間的這種權(quán)衡。

(a)

(b)

(c)

表Ⅱ.不同軌跡長(zhǎng)度的變道預(yù)測(cè)精度比較

表III.有鄰居和無(wú)鄰居場(chǎng)景的變道預(yù)測(cè)時(shí)間比較

C．有無(wú)鄰居場(chǎng)景的比較

表III描述了由有和無(wú)鄰居輸入特征LSTM模型生成的換道預(yù)測(cè)時(shí)間，該時(shí)間被定義為模型預(yù)測(cè)將有換道的時(shí)間和車(chē)輛實(shí)際到達(dá)換道點(diǎn)的時(shí)間間隔。時(shí)間間隔越長(zhǎng)，預(yù)測(cè)就越有用。從圖7可以看出，在大多數(shù)情況下，添加鄰居特征會(huì)延長(zhǎng)變道預(yù)測(cè)時(shí)間。

(a)

(b)

(c)

圖6.我們比較了不同歷史軌跡長(zhǎng)度的預(yù)測(cè)精度，LSTM網(wǎng)絡(luò)結(jié)構(gòu)中的歷史時(shí)間步長(zhǎng)。對(duì)于每個(gè)測(cè)試序列，預(yù)測(cè)準(zhǔn)確度隨著歷史軌跡長(zhǎng)度的增加而增加。

(a)

(b)

圖7.有和無(wú)鄰居場(chǎng)景的預(yù)測(cè)時(shí)間比較。左側(cè)變道預(yù)測(cè)和右側(cè)變道預(yù)測(cè)都顯示，在添加相鄰要素后，預(yù)測(cè)時(shí)間增加(如果沒(méi)有保持)。

V．結(jié)論

本文提出了一種LSTM網(wǎng)絡(luò)結(jié)構(gòu)，引入了相鄰車(chē)輛的特征，以對(duì)每輛單獨(dú)車(chē)輛進(jìn)行變道意圖預(yù)測(cè)。我們將我們的方法與不同的網(wǎng)絡(luò)結(jié)構(gòu)（如前饋神經(jīng)網(wǎng)絡(luò)和邏輯回歸）以及沒(méi)有鄰居特征的LSTM結(jié)構(gòu)進(jìn)行了比較，以顯示添加時(shí)間和空間信息的優(yōu)勢(shì)。我們還比較了不同歷史軌跡長(zhǎng)度之間的結(jié)構(gòu)，并將其對(duì)最終預(yù)測(cè)結(jié)果的影響保存下來(lái)。未來(lái)的工作將主要集中在將算法擴(kuò)展到實(shí)際場(chǎng)景中，并觀察是否可以在真正的自動(dòng)駕駛汽車(chē)上采用經(jīng)過(guò)訓(xùn)練的網(wǎng)絡(luò)。LSTM網(wǎng)絡(luò)的出色表現(xiàn)還表明，嘗試其他經(jīng)常性網(wǎng)絡(luò)結(jié)構(gòu)可能會(huì)進(jìn)一步改善交通情景中的預(yù)測(cè)結(jié)果。