轨迹数据驱动的车辆换道意图识别研究

来源：交通运输系统工程与信息杂志2022年第4期北京时间：

作者：赵建东, 赵志敏, 屈云超, 谢东繁, 孙会君

单位：北京交通大学，a. 交通运输学院；b. 综合交通运输大数据应用技术交通运输行业重点实验室；c. 轨道交通控制与安全国家重点实验室，北京 100044

摘要：为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能，同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。

关键词：智能交通,换道意图识别,数据驱动,门控神经单元网络,注意力机制

基金资助：国家重点研发计划;国家自然科学基金