摘 要：為了提高車輛在高速公路行駛時的安全性和舒適性，基于深度學(xué)習(xí)中的長短期記憶網(wǎng)絡(luò)方法，提取車輛行駛過程中的特征參數(shù)，對車輛未來行駛軌跡進(jìn)行預(yù)測，在駕駛模擬器上進(jìn)行仿真與測試，結(jié)果表明該方法可以精準(zhǔn)有效地預(yù)測出車輛行駛軌跡。

　　關(guān)鍵詞：高速公路;軌跡預(yù)測;長短期記憶網(wǎng)絡(luò)

　　引言

　　精準(zhǔn)實時地獲得車輛在高速公路上行駛的軌跡參數(shù)，對于智能交通系統(tǒng)的管理有著重要的作用，通過預(yù)測車輛未來時刻的軌跡信息，能夠有效評估駕駛安全性和舒適性，在有安全隱患時能夠及時預(yù)警或改變行駛策略，避免碰撞事故的發(fā)生。目前很多研究人員根據(jù)運(yùn)動學(xué)或動力學(xué)模型進(jìn)行軌跡預(yù)測的建模，相關(guān)的研究主要涉及多項式擬合算法來對軌跡進(jìn)行預(yù)測[1]，由于車輛軌跡具有復(fù)雜性、多樣性和隨機(jī)性，使得預(yù)測出的軌跡在長時序上的精度不能滿足實際需求。近些年來，基于數(shù)據(jù)驅(qū)動的算法在軌跡預(yù)測模型中得到廣泛應(yīng)用，對于復(fù)雜問題的擬合能力強(qiáng)。目前數(shù)據(jù)驅(qū)動模型主要有隱性馬爾可夫[2]、動態(tài)貝葉斯網(wǎng)絡(luò)[3]、深度學(xué)習(xí)[4]等算法，其中深度學(xué)習(xí)算法中的循環(huán)神經(jīng)網(wǎng)絡(luò)對時間序列問題具有較好的處理能力，對于具有多樣性、不確定性的軌跡信息具有良好的表征能力。本文采用循環(huán)神經(jīng)網(wǎng)絡(luò)中的LSTM對車輛的未來行駛軌跡進(jìn)行預(yù)測研究，并在駕駛模擬器上采集車輛軌跡進(jìn)行模型驗證。

　　1 循環(huán)神經(jīng)網(wǎng)絡(luò)

　　1.1 RNN網(wǎng)絡(luò)

　　RNN是一種帶有記憶功能的神經(jīng)網(wǎng)絡(luò)，適用于解決時間序列問題。然而隨著時間間隔的不斷累積，RNN網(wǎng)絡(luò)存在梯度消失和梯度爆炸的問題，最終導(dǎo)致網(wǎng)絡(luò)無法獲取之前序列的有效信息，失去學(xué)習(xí)的能力[5]。

　　1.2 LSTM網(wǎng)絡(luò)

　　LSTM是RNN的一種變體，可以有效地解決上述這兩個問題。LSTM網(wǎng)絡(luò)的核心思想是存在能夠隨時間進(jìn)行信息傳遞的細(xì)胞狀態(tài)，該細(xì)胞狀態(tài)通過網(wǎng)絡(luò)中的各種門結(jié)構(gòu)，對信息進(jìn)行增刪，使得網(wǎng)絡(luò)具體記憶功能。LSTM網(wǎng)絡(luò)中存在三種門，分別是遺忘門、輸入門和輸出門，每個門和細(xì)胞狀態(tài)通過激活函數(shù)引入非線性要素，具體結(jié)構(gòu)如圖1所示。

　　1.2.1 遺忘門

　　遺忘門的作用是控制xt與ht-1被遺忘的程度，為了記住更長的序列網(wǎng)絡(luò)會選擇忘記一部分信息。

　　1.2.2 輸入門

　　輸入門的作用是通過當(dāng)前xt和ht-1控制細(xì)胞狀態(tài)更新的程度。ht-1和xt經(jīng)過tanh激活函數(shù)得到，由和Ct-1分別與輸入門和遺忘門作用，共同決定當(dāng)前時刻的Ct。

　　1.2.3 輸出門

　　輸出門的作用是通過xt和ht-1來判斷細(xì)胞的輸出特征，當(dāng)前時刻的Ct經(jīng)過tanh激活函數(shù)后與輸出門作用，得到模型最終的輸出。

　　2 預(yù)測模型

　　2.1 模型特征

　　為深度挖掘車輛行駛過程中的歷史軌跡信息，以自車車速、車輛的縱向坐標(biāo)、車輛的橫向坐標(biāo)、縱向加速度、橫向加速度與橫擺角速度作為車輛的行駛特征來構(gòu)建行駛預(yù)測模型，建立歷史車輛軌跡與未來車輛軌跡特征數(shù)據(jù)之間的映射關(guān)系，t時刻的軌跡特征具體可以表示為：

　　3 試驗與分析

　　3.1 數(shù)據(jù)采集與處理

　　在駕駛模擬器中，使用高速公路自由換道場景對車輛軌跡模型進(jìn)行仿真與測試。采集車輛車速、車輛位置縱坐標(biāo)、車輛位置橫坐標(biāo)、縱向加速度、橫向加速度和橫擺角速度作為表征車輛軌跡的特征值。

　　由于不同的特征具有不同的取值范圍，為了減小不同量綱之間引起的誤差，對數(shù)據(jù)進(jìn)行歸一化處理。為了得到實際預(yù)測結(jié)果，還需要對歸一化后的數(shù)據(jù)進(jìn)行反歸一化。

　　3.2 模型參數(shù)

　　選取200組換道軌跡數(shù)據(jù)進(jìn)行訓(xùn)練與測試。取前80%的數(shù)據(jù)作為訓(xùn)練集，后20%的數(shù)據(jù)作為測試集。網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)經(jīng)調(diào)整選取如下：輸入層節(jié)點(diǎn)為6，輸出層節(jié)點(diǎn)為2，隱藏層大小為150，訓(xùn)練批次batchsize為16，訓(xùn)練epoch設(shè)置為10。設(shè)置初始學(xué)習(xí)率為 0.001。在本文中分別選取輸入特征步長n={5，10，15，20，25}對軌跡模型進(jìn)行預(yù)測。

　　3.3 試驗分析

　　該模型具有良好的預(yù)測精度，說明lstm在處理時序問題上可以精準(zhǔn)地預(yù)測出未來時刻車輛的軌跡，可以對車輛行駛軌跡進(jìn)行有效監(jiān)控和管理，對提高車輛行駛的安全性具有重要意義。

　　4 結(jié)論

　　車輛軌跡預(yù)測在智能交通系統(tǒng)中發(fā)揮著重要的作用，本文基于時序預(yù)測的LSTM網(wǎng)絡(luò)根據(jù)已知的歷史車輛軌跡信息進(jìn)行建模，能夠?qū)δ繕?biāo)車輛未來時刻的行駛軌跡進(jìn)行有效、精準(zhǔn)的位置預(yù)測，同時考慮了軌跡預(yù)測的精準(zhǔn)性和時效性，有助于交通系統(tǒng)中車輛的狀態(tài)監(jiān)控與行為管理，提高車輛行駛安全性與通行效率。

　　參考文獻(xiàn)

　　[1] 張穎達(dá).基于NGSIM數(shù)據(jù)的車輛變道行為博弈模型[D]，2016.

　　[2] Schreier M， Willert V， Adamy J. An Integrated Approach to Man -euver-Based Trajectory Prediction and Criticality Assessment in Arbitrary Road Environments[J].IEEE Transactions on Intelligent Transportation Systems， 2016， 17(10)：2751-2766.

　　[3] 李建平.面向智能駕駛的交通車輛運(yùn)動預(yù)測方法研究[D]，2018.

　　[4] 房哲哲.基于深度學(xué)習(xí)的換道行為建模與分析[D]，2018.

　　[5] Juergen Schmidhuber. Gradient Flow in Recurrent Nets： the Diffi -culty of Learning Long-Term Dependencies[M]// Gradient Flow in Recurrent Nets： The Difficulty of Learning Long Term Dependen -cies.Wiley-IEEE Press，2001.

　　推薦閱讀：車輛工程類控制策略仿真類論文